训练数据不可指定性和模糊决策树泛化能力的关系的研究.pptVIP

训练数据的不可指定性与模糊决策树泛化能力关系的研究 高相辉 研究背景 模糊决策树的推理机制与清晰决策树的推理机制不同。一个实例 e 匹配模糊规则集的匹配结果是一个可能性分布: p(e)={p1, p2, … ,pk} 研究目的 训练数据的匹配结果表征了模糊决策树的性能，目的是找一个指标，可以表征模糊决策树的泛化能力（测试精度） 这里选取的是训练数据匹配结果的不可指定性(Ambiguity) 研究意义 如果可以找到训练数据匹配结果的不可指定性与模糊决策树的泛化能力的关系。那么就可以给出一个新的模糊决策树的评价标准。 不可指定性的度量 P(e)={p1, p2, … ,pk} Ambiguity(p(e)) Ambiguity(S)= Example 实验数据库 实验步骤 划分数据{训练数据，测试数据} 调整参数{alfa, beta, delta} 建立模糊决策树 生成模糊规则集 训练数据，测试数据分别匹配规则集 计算训练数据的不可指定性，训练精度和测试精度 继续第二步 实验结果 分析 分类结果评价 分类结果正确 分类结果明确 CTA=r/n 结论 在训练精度不降低的前提下，测试精度随着训练数据不可指定性的增加而增加，但是分类结果的明确性降低。 进一步工作 目的 在不降低训练精度的前提下，训练数据的不可指定性与测试精度的关系。 假设 训练集与测试