人工智能 第5章 机器学习.pptVIP

《人工智能》 第5章 机器学习 机器学习、知识发现与数据挖掘 影响学习系统设计的重要因素 数据化简 机械学习的主要问题 归纳概括规则 5.3.3 归纳学习示例--决策树学习 决策树表示法 决策树通过把实例从根节点排列(sort)到某个叶子节点来分类实例，叶子节点即为实例所属的分类。树上的每一个节点说明了对实例的某个属性(attribute)的测试，并且该节点的每一个后继分枝对应于该属性的一个可能值。 分类实例的方法是从这颗树的根节点开始，测试这个节点指定的属性，然后按照给定实例的该属性值对应的树枝向下移动。然后这个过程再以新节点为根的子树上重复。 决策树的适用问题 决策树学习适合解决具有以下特征的问题 实例是由“属性-值”对表示的：实例是用一系列固定的属性和它们的值来描述的。 目标函数具有离散的输出值：决策树给每个实例赋予一个布尔型的分类。决策树方法很容易扩展到学习有两个以上输出值的函数。 可能需要析取的描述：决策树很自然地代表了析取表达式。 训练数据可以包含错误：决策树学习对错误有很好的健壮性，无论是训练样例所属的分类错误，还是描述这些样例的属性值错误。 训练数据可以包含缺少属性值的实例：决策树甚至可以再有未知属性值的训练样例中使用。 决策树学习的常见问题 确定决策树增长的深度，避免过度拟合； 处理连续值的属性； 选择一个适当的属性筛选度量标准； 处理属性值不完整的训练数