[发明专利]一种小样本决策树分类器构造中的连续属性分割方法

权利要求书

1.一种小样本决策树分类器构造中的连续属性分割方法，其特征在于，该方法的步骤如下：

(1)根据训练样本集，构造SVM分类面模型；

(2)确定SVM分类面的边界点，根据分类面点沿SVM分类面均匀分布的原则，选择合理异类边界点对，并计算各合理异类边界点对连线上的分类面点；

(3)采用现有的属性选择方法选择优先扩展属性，若无扩展属性则结束，否则转步骤(4)；

(4)根据所有分类面模型的分类面点，对于离散属性，其取值点即为分割点，转步骤(3)；对于连续属性，确定连续分割点数和初始分割位置；

(5)根据所有分类面模型的分类面点，对于每个SVM分类面模型，依该模型的决策面点和决策面与分割面的逼近误差，计算属性分割面与该SVM分类面的逼近误差E(Model_i)，并依或进行逼近误差E(Model_i)融合；

(6)采用带约束复合型优化方法进行连续属性分割位置优化，转步骤(3)。

2.根据权利要求1所述的方法，其特征在于：所述步骤(1)中构造SVM分类面模型的方式为：对于多分类问题的每个类别，构造该类与其它类别所组成的2分类SVM分类面模型Model_i，i＝1，2，...，C，其中，C为类别数；对于2分类问题，则仅构造1个SVM分类面模型。

3.根据权利要求2所述的方法，其特征在于，所述步骤(1)中对于给定的训练样本集其中x_m∈Rⁿ为第m个样本点的属性值向量，y_m∈{-1，+1}为相应的二分类类别标号，则SVM分类面模型可表示为

Z(x)=Σj=1lβjexp(-γ||x-xj||2+b=0---(1)]]>

其中，γ为大于0的参数；β_j，b为通过SVM训练所获得的参数，β_j≠0；x_j为相应的支持向量点，j＝1，...，l，l为支持向量点数。

4.根据权利要求3所述的方法，其特征在于，所述步骤(2)中对于给定的训练样本集S，其边界点集合S_B可定义为

S_B＝{x|x∈S，|Z(x)|＜θ，θ＜0}                        (2)

其中θ为给定的边界点的分类值门限。