[发明专利]基于模糊划分的判别方法

说明书

技术领域

本发明涉及机器学习领域，特别是涉及信息处理中的优化问题领域.

背景技术

在很多优化问题中，目标值是连续的，对这类问题可采用线性或非线性回归的方法，神经网络的方法等进行建模，然后优化。但在许多情况下，这些算法的预测准确率不高，原因是数据往往噪声大，而前面所提到的方法追求的是对所有样本的拟合误差最小，受到噪声的影响特别大。而且这些方法得到的结果可理解性差，不利于和相关领域知识相结合。另外在很多情况下，我们只是期望能够将输出控制在一定的优区范围内。

在这些情况下，可将目标值根据实际需要离散化，再采用模式识别的方法进行建模，提取相应的模型，再进行优化。这在一定程度上可提高正确率，并增加结果的可理解性。

发明内容

本发明提供了基于模糊划分的判别方法，使得判别的正确率更高，更进一步优化了分类方法的性能。

本发明提出的模糊划分方法的流程包括，具体的模糊划分，参数修改和具体分类算法。

在本发明中，对一个分类问题或规则学习问题，决策树的生成是一个从上至下，分而治之的过程。它从根结点开始，对数据样本进行测试，根据不同的结果，将数据样本划分成不同的数据样本子集，每个数据样本子集构成一子结点。对每个子结点再进行划分，生成新的子结点。不断反复，直至达到特定的终止准则。生成的决策树每个叶结点对应一个分类。对于生成的决策树，可从根结点开始，由上至下，提取规则，也可对数据点进行分类或预报。

对一个样本进行分类时，从树的根节点开始，根据每个节点对应的划分将其归到相应的子节点，直至叶节点。叶节点所对应的类别就是该样本对应的分类。

具体实施方式

本发明中分类具体方法为：对一个样本进行分类时，从树的根节点开始，根据每个节点对应的划分将其归到相应的子节点，直至叶节点。叶节点所对应的类别就是该样本对应的分类。

划分模型的确定是决策树生成算法中的一个关键问题，决定了生成决策树的优劣。对于连续值属性的问题而言，采取属性之间的线性组合作为划分模型是比较有效而合理的。这样的划分模型形式简单，模型参数求解也相对简单。并且提取的规则利于理解。即使样本空间分布复杂，通过多次超平面划分，总可将样本空间简化。

在本发明中，对连续的目标值采用模糊划分，可实现各个区间的平滑过渡，从而克服清晰划分所带来的缺陷。根据数据定义相应的隶属度，从而修改最终的决策树法则。

本发明所提出的基于模糊划分的判别方法有效地改进了原有的性能。