[发明专利]一种基于决策树算法的制造业材料采购分析方法

说明书

技术领域

本发明涉及企业管理领域，具体地涉及用算法分析制造业材料采购问题领域。

背景技术

随着全球市场一体化以及信息时代的来临，专业生产能够发挥其巨大的作用，企业采购的比重也大大增加，采购的重要性日益被人们所认识。在全球范围内，在工业企业的产品构成中，采购的原料以及零部件成本随着行业不同而不同，大体在30％-90％，平均水平在60％以上。从世界范围来说，对于一个典型的企业，采购成本(包括原材料，零部件)要占60％。而在中国的工业企业，各种物资的采购成本要占到企业销售成本的70％。显然采购成本是企业管理中的主体和核心部分，采购是企业管理中“最有价值”的部分。另外，根据国家经贸委1999年发布的有关数据，如果国有大中型企业每年降低采购成本2％-3％,则可增加效益500多亿人民币，相当于1997年国有工业企业实现的利润总和。因此，采购受到了社会各界相当的重视，促使采购研究成为当今社会的热点问题之一。

C4.5算法是决策树类算法的一种，由Quinlan于1993年提出，现已居于决策树经典分类之首。C4.5算法是ID3算法的改进算法，是一种基于信息增益率的决策分析算法。具体而言，它是以算法选择信息增益的扩充信息增益率为属性选择度量，争取克服算法中关于多值属性选择的偏向性问题，其关于决策树分类器模型的构造过程同算法相同。

C4.5算法产生的分类规则易于理解，准确率较高。但是在构造树的过程中，需要对数据集进行多次的顺序扫描和排序，因而导致算法的效率较低。并且，由于其根据字段进行分类的特性，当类别较多时，其错误率较高。

发明内容

针对现有技术的上述不足，本发明要解决的技术问题是提供一种基于C4.5算法的制造业材料采购分析方法。

本发明的目的是克服现有技术中存在的问题：C4.5算法扫描样本次数多效率低，准确率达不到想要效果以及C4.5在物料采购分析时只是基于字段分析，错误率高。

本发明为实现上述目的所采用的技术方案是：一种基于C4.5算法的制造业材料采购分析方法。该算法的步骤如下：

步骤1：计算属性的信息熵：把采购的供应商、价格、数量等信息作为C4.5算法的样本集参数，按照算法计算出属性的信息熵。

步骤2：计算分割后的类别的条件熵：将样本集分割成若干个属性，计算属性条件熵。

步骤3：计算类别的信息熵:利用信息熵公式计算类别的信息熵。

步骤4：判断所有属性是否计算完，已计算完转到步骤1，否则转步骤5。

步骤5：计算信息增益率：信息增益率为属性的信息熵与类别信息熵之差。

步骤6：按分裂属性值创建决策树：在某一属性集合中将最大增益率的属性作为分列属性，将最大增益率的属性作为树双亲结点，其余的作为该结点的孩子。

步骤7：剪枝判定：当决策树划分得太细，数据量很大时，需要设定一个规则，使算法及时收敛，避免算法的无限分支和无限增长，即剪枝。本发明采用前剪枝法结合树深度限定法对决策树进行剪枝。

步骤8：判断是否构建完决策树，如果构建完成，则转步骤9，否则转步骤1。

步骤9：输出决策分析结果:本发明采用后剪枝法对建立好的决策树进行剪枝，构建最优决策树。最优决策树即为决策分析结果。

本发明的有益效果是：

1.通过前剪枝法和树深度限定法对决策树的分割进行限制，防止算法无限发散。

2.利用信息增益标准差作为前剪枝法的限定条件，提高了算法的准确率。

3.通过后剪枝法构建最优决策树。简单有效，易于实现和理解。最优决策树将给出一个确定的采购方案，简单明了，实用性高。

附图说明

图1为一种基于C4.5算法的制造业材料采购分析方法流程图

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合算法流程图 进行详细、具体说明。

一、算法基本思想

决策树是一种基于分类思想的决策分析方法，ID3算法是基于信息增量的决策树分析算法，C4.5算法是ID3算法的改进算法，是一种基于信息增益率的决策分析算法。本发明通过利用改进的C4.5算法分析预测制造业材料的采购问题。通过前剪枝法和树深度限定法对决策树的分割进行限制，通过后剪枝法构建最优决策树。最优决策树将给出一个确定的采购方案，即：哪个材料到哪个供应商那里去采购，采购多少，才能保证作业车间生产正常有序进行。

二、具体实施步骤