增量決策樹中樣例選擇的影響與評價.pdf

1、隨著數(shù)據(jù)庫和網(wǎng)絡(luò)技術(shù)的不斷發(fā)展，使得人們可以越來越容易地獲得海量的數(shù)據(jù)，但由于數(shù)據(jù)信息自身的復(fù)雜性，使如何有效地處理和理解這些數(shù)據(jù)成為需要解決的難題，而機器學(xué)習(xí)方法可以幫助我們認(rèn)識和理解這些數(shù)據(jù)里隱含的知識，同時還可以幫助和指導(dǎo)生產(chǎn)實踐。此時，首先要面臨的問題就是數(shù)據(jù)的動態(tài)增長，其次是數(shù)據(jù)的數(shù)量巨大，二者都可以通過機器學(xué)習(xí)中的增量學(xué)習(xí)和主動學(xué)習(xí)來解決。前者可以適應(yīng)數(shù)據(jù)不斷增長的學(xué)習(xí)環(huán)境，在保持原有學(xué)習(xí)結(jié)果的基礎(chǔ)之上接收新的數(shù)據(jù)，通過調(diào)整

2、更新分類器來獲取新的知識，而后者可以主動選擇樣例，從而降低數(shù)據(jù)的數(shù)量和復(fù)雜度，節(jié)約學(xué)習(xí)的成本，降低構(gòu)造分類器的代價。
　　 本文研究了基于增量決策樹的主動學(xué)習(xí)方法，其實就是將增量學(xué)習(xí)和主動學(xué)習(xí)兩種方法進行有效地結(jié)合，從而同時發(fā)揮二者的優(yōu)勢。增量決策樹是一種有效的增量學(xué)習(xí)方法，它可以在盡量最小破壞原有決策樹的結(jié)構(gòu)穩(wěn)定性前提下，通過動態(tài)調(diào)整算法來更新決策樹。在此基礎(chǔ)上，進一步研究了決策樹結(jié)構(gòu)的變化規(guī)律，提出了基于最大不一致判斷準(zhǔn)則的