决策树方法应用实例PPT课件

-,1,例：构造决策树。下表给出了取自AllElectronics顾客数据库元组训练集。,-,2,解：由题意可知：s14，类标号属性“购买电脑”有两个不同值（即会购买，不会购买），因此有两个不同的类（即m2）。设类C1对应于“会购买”，类C2对应于“不会购买”。则s19，s25，p19/14，p2=5/14。计算对给定样本分类所需的期望信息：计算每个属性的熵。先计算属性“年龄”的熵。对于年龄“40”：s13=3，s23=2，p13=3/5，p23=2/5，如果样本按“年龄”划分，对一个给定的样本分类所需的期望信息为：因此，这种划分的信息增益是Gain(年龄)=I(s1,s2)-E(年龄)=0.246。计算“收入”的熵。对于收入“高”：s11=2，s21=2，p11=0.5，p21=0.5，对于收入“中等”：s12=4，s22=2，p12=4/6，p22=2/4，,-,4,对于收入“低”：s13=3，s23=1，p13=3/4，p23=1/4，如果样本按“收入”划分，对一个给定的样本分类所需的期望信息为：因此，这种划分的信息增益是Gain(收入)=I(s1,s2)-E(收入)=0.940-0.9110.029。计算“学生”的熵。对于学生“是”：s11=6，s21=1，p11=6/7，p21=1/7，,-,5,对于学生“否”：s12=3，s22=4，p12=3/7，p22=4/7，如果样本按“学生”划分，对一个给定的样本分类所需的期望信息为：因此，这种划分的信息增益是Gain(学生)=I(s1,s2)-E(学生)=0.940-0.7890.151。计算“信用等级”的熵。对于信用等级“一般”：s11=6，s21=2，p11=6/8，p21=2/8，对于信用等级“良好”：s12=3，s22=3，p12=3/6，p22=3/6，,-,6,如果样本按“信用等级”划分，对一个给定的样本分类所需的期望信息为：因此，这种划分的信息增益是Gain(信用等级)=I(s1,s2)-E(信用等级)=0.940-0.8920.048。由于“年龄”属性具有最高信息增益，它被选作测试属性。创建一个节点，用“年龄”标记，并对每个属性值引出一个分支。样本据此划分，如图所示。,-,7,-,8,表1年龄40”AND信用等级“一般”THEN购买电脑“会购买”,-,15,论文中的应用,题目：决策树算法的研究与应用作者：杨静1，张楠男2，李建1，刘延明1，梁美红1(1西南石油大学，四川成都610500；2西南油气田分公司信息中心，四川成都610500)发表期刊：计算机技术与发展第20卷第2期2010年2月摘要：主要研究了数据挖掘中决策树算法的基本思想和算法。针对目前钻井过程故障诊断的需求，结合决策树算法的特点，提出了一种基于决策树的钻井过程故障诊断专家系统模型。分析了钻井系统事故状态下的相关特征参数，并对基于决策树的钻井过程状态和知识获取进行了详细的论述。通过实例运用ID3算法实现了决策树的建立，为钻井过程故障诊断奠定了坚实的基础。最后提出了对算法的改进，综合对实际数据的处理结果表明，基于数据挖掘的决策树算法可以很好地识别钻井过程中的不同状态，能够实现故障诊断。,-,16,论文中的应用,结语：文中在论述了决策树算法的基础上，结合钻井工程与工艺，将决策树应用于这一领域。利用决策树知识表示与获取集于一身的优点，对基于决策树的钻井过程故障诊