一种对决策树优化的方法AdaBoost及其改进

AdaBoost算法是近些年国外学者提出的一种对决策树这样的分类器提升和优化的方法.本文对AdaBoost算法进行了介绍、分析和局部改进.     

快速建立决策树的一种方法

从一个新的角度－保序观点出发，改进ＩＤ３规则，以提高建立决策树的速度，并给出实验的初步结果．     

基于粗糙集的决策树优化算法

在粗糙集理论的基础上提出了一种新的决策树算法,把粗糙集中的近似分类精度及决策规则的确定性因子应用于决策树的构造,在算法形成的过程中提出抑制因子,对决策树进行修剪,避免了先生成决策树再修剪的繁琐步骤,且在每次划分时对条件属性值和决策属性值进行匹配考察,避免不必要的计算,进一步提高了算法速度．     

一种改进决策树算法的探讨

ID3算法是示例学习中建立决策树的一种重要的方法.介绍了 ID3决策树算法的基本思想,讨论了ID3决策树算法中的难点和不足,结合实例给出了利用信息增益度法来改进ID3算法的详细过程.     

带优先级分类约束的决策树算法

在与安全相关的流量管理中,对每类应用的关注度不同.针对带优先级约束的流量分类问题,设计了基于分支信息熵的决策树分类算法.实验结果表明,该算法整体准确率较高,并且各个分类的召回率与优先级约束一致.     

基于决策树的燃煤锅炉运行优化规则的提取

以数据挖掘的决策树方法为理论基础,结合燃煤锅炉的具体特点,将基于决策树归纳分类算法运用于锅炉历史运行数据的分析中.以锅炉效率为决策目标,对不同烟气含氧量、排烟温度等属性进行分类,构建决策树模型,采用决策树归纳分类的方法挖掘出指导锅炉运行的有用规则,并对挖掘结果进行分析和评价.     

一个基于粗糙集和决策树的最简分类规则集生成算法

利用粗糙集理论中属性核与不可分辨关系给出了属性约简和数据过滤算法，去除信息系统中与决策无关的冗余信号，在简化的信息系统基础上用传统算法构造决策树，总利用由粗糙度理论推出的极小、极大化学习方法对决策树规则进行极小、极大化处理，最后给出了一个最简分类规则集生成算法。     

一种适用于航天大数据的深度决策树模型

常规处理百万网格航天大数据的物理量回归分析方法不适用于复杂的流场环境,可使用多种机器学习模型解决该问题。但已有的机器学习模型无法同时具备高预测精度、模型可解释性和大数据处理能力。对此,提出了一种新型深度决策树模型。基于堆叠的深度森林模型,通过自适应多粒度扫描和自生长级联森林对隐藏特征进行提取和利用。使用航天大数据进行实验,结果表明所提模型在预测精度、泛化性能和核心功能增益等方面优于随机森林、XGBoost和LightGBM模型。     

一种基于改进SLIQ决策树分类算法的应用研究

提出了一种改进的SLIQ决策树分类算法,克服了原有SLIQ算法需要大量计算决策树每个节点的吉尼指数(gini index)的缺点.改进的SLIQ算法能够有效地减少计算的复杂度.结合实例,将该算法与原有SLIQ算法和基于人工神经网络的分类算法应用结果进行比较,实验结果表明该算法的分类准确率远远高于SLIQ算法和基于人工神经网络的分类算法.     

分布式目标检测融合决策优化算法

现有分布式目标检测系统的优化一般采用穷举法、SFFO算法或SOFF算法,计算复杂,且优化结果强烈依赖初值。该文采用蚁群算法和爬山变异算法结合,提出爬山变异蚁群算法及同步优化传感器判决门限和融合中心决策规则,理论上是一种全局最优算法。数值试验的结果表明,和相关算法相比,融合系统的贝叶斯风险降低了15%～20%,且优化结果不依赖初值,计算复杂度低于其他算法。     

一种改进的PEP决策树剪枝算法

剪枝过程是决策树分类学习中的重要环节,能够简化决策树并提高决策树的泛化能力,避免对训练数据集的过适应。在PEP算法的基础上,本文提出了一种改进的决策树剪枝算法IPEP,实验结果表明,该算法剪枝效果较PEP算法更好。     

求最小生成树的另一算法及其与其它算法的比较

利用最小生成树的性质，先找出一些在生成树中应保留的边，再去掉一些无用的边的思想方法，最后得到一个求最小生成树的算法。其时间复杂度与kruskal算法接近，对于稀疏图，其性能更优越。     

基于R树预处理的线段裁剪算法

线段裁剪是计算机图形学需要解决的基本问题之一．在对常见的线段裁剪算法分析总结的基础上,提出了一种基于R树预处理的线段裁剪算法．该算法通过把线段集合预先存储在R树中,然后再进行裁剪,该方法极大地提高了裁剪算法的整体效率．对于比较固定的数据,可以把预处理生成的R树保存下来,方便以后的裁剪．改进思路也同样适用于其他的裁剪算法．     

改进PSO算法及其在函数优化中的应用

针对微粒群算法PSO（Particle Swarm Optimization）应用于函数优化存在的问题,提出一种加入了梯度信息改进的微粒群算法。微粒群算法用于函数的优化,具有简单、效果好等优点。但是研究也表明该方法也存在着一些缺点,如计算时间较长、容易陷入局部最小等,这是由于算法本身的随机性决定的。梯度法是传统的优化方法,典型的特征是在确定优化解的方向时遵循梯度下降原则,因此在寻找优化值时方向比较确定,可以减少优化时间。为了克服PSO的缺点,在标准PSO优化策略中引入梯度原则,设计了一个具有梯度指导的PSO算法。现将改进的PSO算法应用于函数的优化,并与标准PSO算法的效果进行了比较。函数优化实验的结果表明,改进的PSO算法提高了标准PSO算法的收敛时间。     

Lipschitz函数全局优化的区间算法

利用广义梯度讨论了目标函数是Lipschitz连续的非光滑优化问题的区间算法,给出了求二维函数广义梯度的区间算法,提出了利用广义梯度估计Lipschitz常数的方法.定理和数值算例表明,通过随算法的进行而不断修正Lipschitz常数,算法的收敛速度得到了一定的提高.     

一种无功优化有效算法

本文不区分控制变量和状态变量,以节点电压增量作为目标函数自变量。优化时从寻找一个合理初始点着手,用线性规划求解,使网损达到最小。由于不需计算灵敏度逆矩阵和采用松驰技术,本算法具有计算速度快、收敛性能好和占用空间少的优点。本算法的有效性在两个例网上得以显示。     

一种基于CART的决策树改进算法

针对分析CART算法的要求被选择的属性是连续且有序的,并且只能产生两个子节点的问题,依据CART算法理论,采用A—CART算法,弥补了CART方法的不足．是一种选用离散无序的属性作为决策树的分裂节点,分裂后可以产生多个子节点的方法,并为此方法设计了分裂函数,通过一个实例给出了具体的使用方法．     

用改进蚁群算法求解多目标优化问题

蚁群算法是一种崭新的仿生模拟进化算法,该算法在许多领域已经得到应用。多目标优化问题是一类很重要的优化问题,优化与求解较难。对此,提出了一种改进蚁群算法用于求解多目标优化问题,得到一组变量的权重后,用一定数量的蚂蚁在解空间中首先随机搜索,然后模拟蚂蚁寻食的方式,通过信息素来指引搜索。给出了具体的算法,示例仿真说明了其有效性,并表明该算法可以快速发现多个全局最优解。