[发明专利]基于概率粗糙集的决策树生成方法

摘要

一种基于概率粗糙集的决策树生成方法，步骤为：1)计算决策属性对于条件属性的依赖度；2)对数据进行相对属性约简，获取决策树节点集；3)通过决策树的节点集构造决策树，建立决策树的方式是，让依赖度最大的节点作为根节点，然后对于分支，重新计算剩余节点的依赖度信息，同时选择依赖度最大的节点。本发明最核心的思想就是首先通过相对约简消除没有用的属性，这样就可以得到用于生成决策树的节点。然后始终选择依赖度最大的节点来扩展生成树，最终就生成了我们需要的决策树。本发明能够有效的解决数据噪声问题。

主权项

一种基于概率粗糙集的决策树生成方法，其特征在于，包括如下步骤：1)计算决策属性对于条件属性的依赖度首先设置概率下近似中的β，其中0.5＜β≤1，通过使用概率下近似公式，计算每一条件属性Xi，对决策属性Y的概率下近似，然后计算决策属性对条件属性的依赖度，其中概率下近似计算公式如下所示， X i ‾ β Y = { x ∈ U | P ( Y / [ x ] Xi ) ≥ β } 则Y对Xi依赖度为， γ X i ( Y ) = k = | X i ‾ β Y | | U | 其中，U代表论域，即全体记录的集合，|U|代表记录的个数；2)对数据进行相对属性约简，获取决策树节点集首先要获得相对核，相对核的计算公式如下，COREQ(P)＝∩REDQ(P)然后我们每次在剩余的节点中选择一个条件属性，使得选择此条件属性后对于决策属性的影响最大，也就是决策属性对于当前属性的集合依赖度最大。我们依次增加节点个数，直到获得最大的独立集，从而得到构造决策树所需要节点集；3)通过决策树的节点集构造决策树建立决策树的方式是，让依赖度最大的节点作为根节点，然后对于分支，重新计算剩余节点的依赖度信息，同时选择依赖度最大的节点。