[发明专利]基于资源约束代价敏感决策树构建方法

摘要

本发明提出一种基于资源约束代价敏感决策树构建方法，利用EP准则先把训练集多类标识为两类，在条件下，再根据选择属性代价增益率为目标函数这个准则，越大属性特征越好，则此属性作为结点或是扩展结点。最后形成的决策树，为了避免过度拟合的问题，用后剪支算法优化决策树。本发明用于在决策树建立过程中存在资源约束条件下，获得代价最低以及更优化的决策树模型。

主权项

基于资源约束代价敏感决策树构建方法，该方法涉及人工智能、机器学习技术领域，其特征是：利用EP准则先把训练集多类标识为两类，在条件下，再根据选择属性代价增益率为目标函数：这个准则,f越大属性特征越好，则此属性作为结点或是扩展结点，最后形成的决策树，为了避免过度拟合的问题，用后剪支算法优化决策树其具体的实施步骤如下：步骤1：设训练集中X个样本，属性个数为n，即，同时分裂属性对应了个类，其，，相关领域用户设定好误分类代价矩阵C,L利用EP准则对类进行处理得到误分类代价矩阵；步骤2：创建根节点G；步骤3：如果训练数据集为空，则返回结点G并标记失败；步骤4：如果训练数据集中所有记录都属于同一类别，则以该类型标记结点G；步骤5：如果候选属性为空，则返回G为叶子结点，标记为训练数据集中最普通的类；步骤6：根据属性S的代价增益率候选属性中选择；目标函数f：为训练集总误分类代价，为选择属性S总代价函数，为选择属性S资源损耗代价函数；在条件下，当选择属性满足f函数越大时，则找到标记结点G;步骤7：标记结点G为属性；步骤8：由结点延伸出满足条件为分支；步骤8.1：这里假设为训练数据集中的样本集合，如果为空，加上一个叶子结点，标记为训练数据集中最普通的类；步骤9：非8.1中情况，则递归调用步骤6至步骤8；步骤10：利用后剪支技术解决此决策树模型中过度拟合问题，步骤11：更新训练数据集，保存新的示例数据。