【摘 要】
：
代价敏感学习是近几年数据挖掘领域的一个热门研究方向。基于代价敏感学习的分类算法的目标是进行分类时使得样例的误分类代价、属性检测代价等多种代价因素的总和最少。决策
论文部分内容阅读
代价敏感学习是近几年数据挖掘领域的一个热门研究方向。基于代价敏感学习的分类算法的目标是进行分类时使得样例的误分类代价、属性检测代价等多种代价因素的总和最少。决策树作为一种经典的分类算法，其模型具有较好的可理解性、程序运行时较低的时间和空间复杂度、分类时较高的准确率等优点。正是由于决策树的诸多优点，近些年来不少学者尝试将决策树分类算法应用于代价敏感学习问题中。 现有的代价敏感决策树可以分为两类，一类是建立单一决策树模型来解决代价敏感分类问题，如EG2、PM、MinCost等;另一类是通过集成学习的方式来对样本进行代价敏感分类，如MetaCost、AdaBoost等。第一类算法的优点是执行效率非常高，而且具有较好的可理解性。第二类算法的优点是对样例进行分类时往往能得到更少的总代价，或者更高的分类准确度，但是这类算法执行时的时间和空间复杂度较第一类算法却高出了许多。这两类算法有一个共同的缺点，就是没有考虑到在分类过程中样例的某个属性的取值为离群值，或者连续型属性离散化过程中存在模糊性的情况对分类结果造成的糟糕的影响。 针对现有的第一类算法的特点，本文提出了相关的改进方法:(1)针对二分类和多类问题，本文分别提出了一种基于评分策略的代价敏感决策树，记为SECSDT和SECSDT_MC。该算法在模型建立阶段充分考虑了代价因素和分类准确度因素之间的关系，分别对这两类因素进行评分来选择分裂属性。(2)在分类阶段，利用置信区间来识别样例中某属性的取值是否为离群值，或者离散化过程中可能出现模糊性的情况，然后利用多条决策路径进行分类的方式来得到最终的分类结果。(3)针对模型建立阶段中内部节点为选择合适的分裂属性而进行各种计算，造成建立模型的效率低下的问题，本文提出了相应的多线程版本的代价敏感决策树算法。实验结果表明，本文所提出的算法相比于已有的典型的代价敏感决策树算法具有更好的性能。
其他文献
随着网络技术的飞速发展,信息共享给人们带来极大方便的同时也带来了不少安全隐患。长期以来,人们对基于网络应用的外部防范技术关注较多,对计算机主机系统安全关注的较少。
并发程序的测试一直是软件测试中的关注点。所谓并发程序是指两个或多个进程(或线程)协同完成一个任务。每个进程是一个序列程序执行一串语句。进程间的交流是通过信息传递来
强化学习的本质是如何将环境与动作映射起来，从而最大化奖励信号的数值。与大多数的机器学习不同，强化学习并没有告知学习者该采取什么动作，而是必须要通过尝试来探索采取哪些动
图形化编程是计算机仿真中的关键问题,而如何用计算机的方法表示电气控制回路,如何对其进行逻辑分析及电路计算是图形化电力仿真系统开发平台的核心问题。与现存的电力电子系统的计算机仿真软件不同,水电仿真平台中的电路具有多交汇点、多电压源的特性。常用的等效变换法、2b法、节点电压法、网孔电流法等方法中,网孔电流法最为简单直观,在解决复杂平面电路问题中,有很强应用价值,但在计算机仿真领域,用网孔电流法来动态求
表格公式引擎在应用系统中有很多应用，它主要涉及公式语法定义、公式语法解析和公式计算等内容。论文介绍了常用的语法分析生成器，包括Java Compiler Compiler、ANTLR(ANother
生物计算在当今计算机科学研究领域蓬勃发展，倍受关注。很多生物计算模型已经开始被应用于实际生活中，解决一些实际问题。比如DNA计算，神经网络等。这些从生物结构或概念中抽象
自从互联网普及以来,电子邮件逐渐成为人们生活中便捷的通信手段之一。然而,随之产生的垃圾邮件像瘟疫一样蔓延,污染网络环境,占用大量传输、存储和计算资源,影响了网络的正
随着信息化的推进和饮品市场的不断完善，对于原料消耗性企业的信息化管理的要求也进一步提高。由于其特殊性，一般通用性的软件并不适用，急需更加完善、适合本企业特点的管理信息
Logo，即商标标识，其蕴含着公司文化，对公司起着至关重要的宣传作用。如何让人们快速的对一个公司的商标进行辨识，如何能够快速的了解一个商标所用蕴含的意义？随着图像采集设备的发
随着技术的发展和对大量用电设备的需要,设备的管理变得越来越复杂,能远程地管理和控制设备已经是基本的需求。目前,应用中存在大量通过串口进行管理的设备,而串口不利于数据