[发明专利]一种基于改进决策树对新类型进行预测的方法

权利要求书

1.一种基于改进决策树对新类型进行预测的方法，其特征在于，其包括：

构造决策树模型，将预测集特征作为输入进行预测，得到预测集的最终等级；

得到预测的最终等级包括以下步骤：

S101：判断预测集的数据特征类型是否已存在于训练集；

S102：若特征类型已存在于训练集，基于训练出的决策树模型判断其等级；若不存在，通过改进的决策树模型判断预测集数据特征的等级，判断过程为用训练数据集的特征对新特征进行替换，若替换后的特征在训练数据中有所对应，则判定出新特征与用于替换的特征为同等级。

2.根据权利要求1所述的一种基于改进决策树对新类型进行预测的方法，其特征在于，上述步骤S102中，通过改进的决策树模型判断其等级包含以下步骤：

步骤A1：输入新类型a；

步骤A2：找出新类型a中新的特征值；

步骤A3：找出该特征值上一叶子节点的特征和该特征值，分别记为M和m；

步骤A4：替换新类型a中的特征M的特征值，得到类型b；

步骤A5：判断类型b在决策树中是否存在，若不存在则返回步骤A4，若存在则进行下一步；

步骤A6：判断替换后的叶子节点下，有无与替换后的类型b等级相同的类型c，若不存在则返回步骤A4，若存在，则进行下一步；

步骤A7：将类型c的特征M的特征值替换为m，得到类型d，判断d是否存在，若不存在则返回步骤A4，若存在，则进行下一步；

步骤A8：新类型a的等级就等于类型d的等级。

3.根据权利要求1～2任一项所述的一种基于改进决策树对新类型进行预测的方法，其特征在于，构造决策树模型包括以下过程：

对训练样本进行数据分析，提取训练样本数据集特征；

以训练样本数据的等级作为输出，利用提取特征基于决策树进行训练，构造决策树模型。

4.根据权利要求3所述的一种基于改进决策树对新类型进行预测的方法，其特征在于，上述对利用提取特征基于决策树进行训练包括以下步骤：

S201：对数据进行预处理；

S202：在决策树内部节点，从m个特征中根据香农熵最小的原则选取一个特征作为划分依据；

S203：用该特征对数据集进行划分；

S204：对下一节点重复步骤202至步骤203，直至节点的特征被消耗完或节点数据所有类别都相同；

S205：节点无法继续划分，决策树构建完毕。