一种高效的免疫模糊关联分类决策树算法研究.docVIP

一种高效的免疫模糊关联分类决策树算法研究 　　 摘要:大家知道,传统的决策树算法,如:ID3,C4.5等,存在逻辑表达差、互信息计算复杂、性能改善比较困难等缺陷。仅考虑决策树的错误率;未考虑树的节点、深度等。对属性值分组时逐个探索;没有使用一种启发式搜索的机制。分组效率较低。本文针对此情况,提出了一种免疫模糊关联分类决策树算法.本算法克服了上述缺陷,对决策树的性能有明显改善。 　　 关键词:决策树;启发式;免疫模糊;关联分类 　　 中图分类号:TP312 文献标识码:A文章编号:1007-9599 (2010) 11-0000-02 　　The Efficient Immune Fuzzy Associative Classification Decision Tree Algorithm 　　 Peng Yuyuan1, Zhou Cheng1, Jiang Jianjun2 　　 (1.Guanghou Kangda Vocational Technical College,Guangzhou511363,China;2.University of South China,Hengyang421001,China) 　　 Abstract:Just everyone knows that traditional decision tree arithmetic,for example ID3,C4.5 etc,simple logic expression is poor,computing mutual information is complex,performance improving is great difficult,only consider error rate of decision tree,not take into account node and deepness of tree,one by one explore for property value grouping,no use a mechanism of heuristic search and grouping efficiency is great poor.Aim at the situation,the paper presents an immunological fuzzy correlative classified decision-making arithmetic. 　　 Keywords:Decision-making tree;Heuristic;Immunological fuzzy; 　　 Associative Classification 　　 关联规则在分类问题上已经使用多年,一般来讲,它比TDIDT算法[1]有更高的精确度。CBA,基于关联的分类[2],是使用关联规则去建立一个完整分类模型的一种算法。在CBA中,所有的类关联规则都可以从训练集中得到,大多数都用于去建立关联分类模型。 　　 基于多关联规则的CMAR分类算法[3],与CBA不同在于:频繁项集挖掘方法和它们之间的分类结构上。CMAR分类算法采用一系列FP-Growth算法得到有效的决策树结构分类规则,而不是处决于分类数据的单一规则。 　　 基于预测关联规则分类的CPAR算法[4],该方法避免了CMAR分类算法所产生的大量后选规则处理,CMAR直接从传统规则分类模型训练数据集中产生规则。 　　 一般来讲,评价关联分类决策树两个重要特征是精确度及良好的组织性。上述算法在这方面仍存在不足,鉴于此,本节所提出的免疫模糊关联分类决策树方法将具有更高的精确度和更清晰的组织模型。 　　 一、基于免疫原则模糊关联分类设计 　　 人工免疫系统可以看成是通过一个理论上的免疫学所遵守的免疫函数原则及机理的一个可计算系统。AIS的出现对解决复杂问题提供了强大的信息处理能力,AIS已经广泛应用许多领域,如:模式识别,分类,优化,数据分析及安全计算等。 　　 被提出的算法是基于无性选择原则和自然免疫系统的特征,无性选择原则,是一个自然选择的形成,经常用于解释成自适应免疫对抗原刺激的一种响应。被提出的算法演绎了一系列抗体,目的就是要获得一个带最大分类精确度的紧密分类。成员函数参数和包括许多规则的模糊规则集在同一时间被进化。 　　 在被提出的算法中,每个抗原代表一个事例,每个抗体代表一个模糊规则。一个模糊规则能够通过每个模糊集相关联的成员函数和规则集而被确定。每个抗体可以通过规则的先例和每个属性的成员函数参数进行进化。当一个规则的先前部分被确定后,它们的结果类和确定的等级可以通过上面所说的得到。 　　 在本研究中,假设每个属性有五个语