排序方式: 共有13条查询结果,搜索用时 0 毫秒
1.
2.
针对增量数据集,结合粗糙集理论和多变量决策树的优点,给出了增量式的多变量决策树构造算法。该算法针对新增样本与已有规则集产生矛盾,即条件属性相匹配,而决策属性不匹配的情况,计算条件属性相对于决策属性的核,如果核不为空,则计算核相对于决策属性的相对泛化,根据不同的结果形成不同的子集,最终形成不同的决策树分支。该算法很好地避免了在处理增量数据集时,不断重构决策树。实例证明该算法的正确性,对处理小增量数据集具有良好的性能。 相似文献
3.
通过正交实验,可以获得最少的实验次数,但是由于选择样本的盲目性决定所测得的样本中可能不包含最优样本,如果要找到最优样本就必须进行大量的后续实验。针对这些特点以及实验本身存在误差,提出了基于变精度粗糙集理论的正交实验设计方法,通过比较条件属性对决策属性的B分类质量来设计实验参数,结果表明大大提高了实验工作的效率和质量。 相似文献
4.
针对增量数据集,结合粗糙集理论和多变量决策树的优点,给出了增量式的多变量决策树构造算法.该算法针对新增样本与已有规则集产生矛盾,即条件属性相匹配,而决策属性不匹配的情况,计算条件属性相对于决策属性的核,如果核不为空,则计算核相对于决策属性的相对泛化,根据不同的结果形成不同的子集,最终形成不同的决策树分支.该算法很好地避免了在处理增量数据集时,不断重构决策树.实例证明该算法的正确性,对处理小增量数据集具有良好的性能. 相似文献
5.
6.
输入校验是Java Web开发中表现层数据处理的一种,因此应该由MVC框架提供。基于MVC模式的Struts 2框架为开发者提供了良好的输入校验支持,文章简要介绍了输入校验及其必要性,总结了客户端校验和服务器端校验的常用方法及其优缺点,结合实例详细阐述了Struts 2框架支持的三种输入校验的用法,给出了输入校验的流程。采用Struts 2框架完成输入校验,由于其提供了很多常用的校验规则,开发者基本上可以不需要为校验编写太多的代码,即可完成绝大部分输入校验,并可以同时完成客户端校验和服务器端校验,提高了工作效率,而且易于扩展。 相似文献
7.
8.
9.
基于变精度粗糙集的决策树优化算法研究 总被引:4,自引:2,他引:4
应用变精度粗糙集理论,提出了一种利用新的启发式函数构造决策树的方法。该方法以变精度粗糙集的分类质量的量度作为信息函数,对条件属性进行选择。和ID3算法比较,本方法充分考虑了属性间的依赖性和冗余性,尤其考虑了训练数据中的噪声数据,允许在构造决策树的过程中划入正域的实例类别存在一定的不一致性,可简化生成的决策树,提高决策树的泛化能力。 相似文献
10.
本文在应用变精度粗糙集模型构造决策树的研究基础上,提出了具有置信度规则的决策树的构造方法。该方法是对决策树生成方法的一个改进,所构造的决策树具有更强的实用性以及更高的可理解性。本文还针对两个甚至两个以上属性的分类质量量度相等的特殊情形,给出了如何选择较优的属性作为结点的方法。与传统的ID3算法相比,该方法所构造的决策树不仅结构简单,而且更加实用,利于理解。 相似文献