基于IFN模型的剪枝優(yōu)化算法.pdf

1、隨著近幾十年來數(shù)據(jù)庫技術(shù)的發(fā)展與廣泛應(yīng)用，數(shù)據(jù)的積累已經(jīng)達到了相當(dāng)?shù)囊?guī)模。通過分類，人們可以從這些數(shù)據(jù)中獲取所需知識。許多分類方法和技術(shù)用于構(gòu)造分類模型，這些方法和技術(shù)較少考慮分類模型是否簡明有效，由真實世界數(shù)據(jù)產(chǎn)生的分類模型過于復(fù)雜以及統(tǒng)計意義不明確。 本文在信息論、假設(shè)檢驗理論和MarkLast等人提出的IFN(Information-fuzzyNetwork)方法學(xué)基礎(chǔ)上，針對IFN方法利用對數(shù)似然比統(tǒng)計量進行假設(shè)檢驗存在

2、的統(tǒng)計意義不明確的問題，以建立簡明有效的分類模型為目的，提出了一個新算法CIFN(CountingInformation-fuzzyNetwork)。CIFN算法選擇具有最大互信息的屬性作為測試屬性；用對數(shù)似然比統(tǒng)計量進行假設(shè)檢驗；為了剪枝優(yōu)化，在給定層每一個節(jié)點處，CIFN算法引入了樣本數(shù)閾值和屬性值閾值的計算，從而保證假設(shè)檢驗的可靠和剪枝的優(yōu)化。本文給出了算法的理論依據(jù)，并且推導(dǎo)出了對數(shù)似然比統(tǒng)計量計算公式成立條件。實驗結(jié)果表明，C