SPRIN算法.pptVIP

2003年3月24日星期一 3月24日 SPRINT: A Scalable Parallel Classifier for Data Mining —— SPRINT：一种用于数据挖 掘的可伸缩并行分类器 主讲人： 梁敏 决策树分类算法 SPRINT串行算法 数据结构 属性选择 基本算法 SPRINT并行算法 SPRINT算法的性能评估 总结 决策树分类算法 决策树分类过程 决策树生成算法分成两个步骤 树的生成 开始，数据都在根节点 递归的进行数据分片 树的修剪 去掉一些可能是噪音或者异常的数据 生成决策树的基本算法 Procedure BuildTree(S，A) (S:训练样本集， A：分类属性集合） 用样本集S创建节点N if A为空 then 返回N，标记为S中最普遍的类 if N 纯(pure) then 返回N else { for 每一个属性 A 估计该节点在A上的信息增益 选出最佳的属性A*，将S分裂为Si ，N长出分支 for each Si if Si 为空 then 返回叶节点，标记为S中最普遍的类 else BuildTree(Si,A-A*) } 一般算法存在的伸缩性问题 问题： 限制训练样本存放在内存中。 训练样本在内存和高速缓存中换进换出，效率低。 一些改进方法 采样方法 数据分片、生成多树、多树合并 构造新的数据结构 决策树分类算法 SPRINT串行算法 数据结构 属性选择 基本算法 SPRINT并行算法 SPRINT算法的性能评估 总结 串行算法：数据结构 属性列表：（预排序） 属性值 类标记 记录索引 串行算法：数据结构 直方图 数值字段值： Cabove、Cbelow 种类字段值： count matrix 串行算法：属性选择 统计度量：基尼指数——Gini index 集合S包含N个类别的记录，那么其Gini指标就是 ，pj类j出现的频率 如果集合S分成两部分 S1 and S2 。那么这个分割的Gini就是 提供最小Ginisplit 就被选择作为分割的标准 数值字段：可能的分割点是每两个值的中点 种类字段：可能的分割是属性值的所有子集 使用基尼指数进行属性选择 如计算ginisplit(27.5) S1: S2: Ginisplit(27.5): 同理： Ginisplit(18.5)=0.4 Ginisplit(37.5)=0.417 串行算法：基本算法 Procedure BuildTree(S，A) (S:训练样本集， A：分类属性集合） 初始化样本集S，生成有序属性列表和直方图，创建节点队列，放入N while 队列不为空 { 从队列中取出第一个节点 N if N 纯 or 为空 then 标记为叶节点，continue for N的每一个分割点F 计算该节点F上的基尼指数，选出最佳分割点F*， N长出分支节点N1、N2，放入队列中。将该分割点的 属性列表分割，并用该列表的rids生成记录所在节点的 哈希表，用哈希表分割其他属性列表，列表分割同时 生成属性直方图。 } 属性列表分割如图： 与SLIQ的比较 决策树分类算法 SPRINT串行算法 数据结构 属性选择 基本算法 SPRINT并行算法 SPRINT算法的性能评估 总结 并行算法 数据分布： 在N个处理器间平均分配 属性列表 属性选择 统计度量仍用基尼指数，但对节点的属性直方图的处理与串行时有不同。 数值字段：Cbelow和Cabove必须记录整个节点的类个数，因此在计算最佳分割点前，各处理器的Cbelow和Cabove 要进行全局初始化。 种类字段：count matrix也必须记录整个节点的类个数，因此在分割前由某