一种大规模数据库的组合优化决策树算法

Journal of Systems Engineering and Electronics ›› 2009, Vol. 31 ›› Issue (3): 583-587.

一种大规模数据库的组合优化决策树算法

赵静娴^1,2, 倪春鹏¹, 詹原瑞¹, 杜子平²

1. 天津大学管理学院, 天津, 300072;
2. 天津科技大学经管学院, 天津, 300222

收稿日期:2007-10-22 修回日期:2007-12-20 出版日期:2009-03-20 发布日期:2010-01-03
作者简介:赵静娴(1981- ),女,博士研究生,主要研究方向为金融工程与数据挖掘.E-mail:nzjx2005@163.com
基金资助:
国家自然科学基金(70573076;70671074);天津科技大学科研基金(20080303)资助课题

Combined optimization decision tree algorithm suitable for large scale data-base

ZHAO Jing-xian^1,2, NI Chun-peng¹, ZHAN Yuan-rui¹, DU Zi-ping²

1. School of Management, Tianjin Univ., Tianjin 300072, China;
2. School of Economics and Management, Tianjin Univ. of Science & Technology, Tianjin 300222, China

Received:2007-10-22 Revised:2007-12-20 Online:2009-03-20 Published:2010-01-03

摘要/Abstract

摘要： 提出了一种适合于大规模高维数据库的组合优化决策树算法。相比于传统的类似算法,该算法从数据的离散化,降维,属性选择三方面进行改进,对决策树建立过程中不适应大规模高维数据库的主要环节进行了优化,有效解决了处理大规模高维数据库问题的效率和精度之间的矛盾。仿真试验表明,该算法在大大减少了计算代价的同时提高了决策树的分类精度。

Abstract: A combined optimization decision tree algorithm suitable for a large scale and high dimension data-base is presented.Compared with the traditional similar algorithms,the algorithm makes improvements from three aspects: discretization,reducing dimension and attribute selection.It also optimizes the main processes,so that it is suitable for large scale and high dimension data-base and effectively solves the conflict between efficiency and predictive precision.Experiments show that the proposed method raises the predictive precision of decision trees while it greatly reduces the computational cost.

中图分类号:

TP181

赵静娴, 倪春鹏, 詹原瑞, 杜子平. 一种大规模数据库的组合优化决策树算法[J]. Journal of Systems Engineering and Electronics, 2009, 31(3): 583-587.

ZHAO Jing-xian, NI Chun-peng, ZHAN Yuan-rui, DU Zi-ping. Combined optimization decision tree algorithm suitable for large scale data-base[J]. Journal of Systems Engineering and Electronics, 2009, 31(3): 583-587.

[1]	张俊, 张新禹, 姜卫东, 刘永祥, 黎湘. 基于广义近似消息传递的快速DOA估计方法[J]. 系统工程与电子技术, 2022, 44(10): 2995-3002.
[2]	万齐天, 卢宝刚, 赵雅心, 温求遒. 基于深度强化学习的驾驶仪参数快速整定方法[J]. 系统工程与电子技术, 2022, 44(10): 3190-3199.
[3]	何立, 沈亮, 李辉, 王壮, 唐文泉. 强化学习中的策略重用: 研究进展[J]. 系统工程与电子技术, 2022, 44(3): 884-899.
[4]	程恺, 陈刚, 余晓晗, 刘满, 邵天浩. 知识牵引与数据驱动的兵棋AI设计及关键技术[J]. 系统工程与电子技术, 2021, 43(10): 2911-2917.
[5]	赖德迪, 罗智徽, 马应龙. 基于共现分析的分类器链标签序列优化方法[J]. 系统工程与电子技术, 2021, 43(9): 2526-2534.
[6]	吴子龙, 陈红, 雷迎科. 改进DenseNet在电台建链行为识别时的可视化研究[J]. 系统工程与电子技术, 2021, 43(5): 1371-1381.
[7]	施伟, 黄红蓝, 冯旸赫, 刘忠. 面向多类别分类问题的子抽样主动学习方法[J]. 系统工程与电子技术, 2021, 43(3): 700-708.
[8]	李琛, 黄炎焱, 张永亮, 陈天德. Actor-Critic框架下的多智能体决策方法及其在兵棋上的应用[J]. 系统工程与电子技术, 2021, 43(3): 755-762.
[9]	马文, 李辉, 王壮, 黄志勇, 吴昭欣, 陈希亮. 基于深度随机博弈的近距空战机动决策[J]. 系统工程与电子技术, 2021, 43(2): 443-451.
[10]	白静, 陈业华, 石蕊, 张亚明. 基于概率语言赋权交叉熵信度分配的应急决策[J]. 系统工程与电子技术, 2021, 43(2): 476-486.
[11]	吴子龙, 陈红, 雷迎科, 李昕, 熊颢. 基于堆栈式LSTM网络的通信辐射源个体识别[J]. 系统工程与电子技术, 2020, 42(12): 2915-2923.
[12]	邵天浩, 张宏军, 程恺, 戴成友, 余晓晗, 张可. 层次任务网络中的重新规划研究综述[J]. 系统工程与电子技术, 2020, 42(12): 2833-2846.
[13]	王泊涵, 吴超, 柯文俊, 郑恺之, 付修锋, 江山. 基于概率图的作战任务智能规划方法[J]. 系统工程与电子技术, 2020, 42(12): 2795-2801.
[14]	闫实, 贺静, 王跃东, 孙自强, 梁彦. 基于强化学习的多机协同传感器管理[J]. 系统工程与电子技术, 2020, 42(8): 1726-1733.
[15]	李岩, 陈云翔, 罗承昆, 蔡忠义. 基于概率犹豫-直觉模糊熵和证据推理的多属性决策方法[J]. 系统工程与电子技术, 2020, 42(5): 1116-1123.