朱弘扬，丁 怡，柴华金，李 升

（1. 广东海洋大学 数学与计算机学院；2. 广东海洋大学 机械与动力工程学院，广东 湛江 524088）

伴随着人工智能技术的飞速发展和广泛应用，模式识别和机器学习等基于数据处理的研究领域变得比以往任何时期都更具有重要意义，而分类是处理数据挖掘问题无法避免的基础操作[1]. 决策树是解决分类问题的一种经典算法，相比于神经网络、支持向量机和逻辑回归算法，决策树算法更容易理解和操作，尤其是在处理多分类问题和离散型数值分类问题中具有较高的自主学习能力和较低的先验知识要求，因而在很多领域都有着广泛的应用. 决策树算法是一种逼近离散值目标函数的方法，这种方法通过对训练集的学习，找到特定样本环境下样本类别属性和单个特征属性的集合关系，并提取出该特定环境和集合关系作为分类规则，把所有的分类规则构建为一棵决策树，从而达到预测模型的目的. 决策树方法以其速度快、精度高、生成的模式简单等优点，在数据挖掘中受到许多研究者和软件公司的关注[2].

单标签分类问题是一类典型的矛盾问题，因为样本不可能同时属于两种类别，因而造成了分类结果“是”与“不是”的单一描述，和“对”或“不对”的评价标准[3]. 可拓学是以矛盾问题为研究对象、以矛盾问题的智能化处理为主要内容、以可拓方法论为主要研究方法的一门学科，对矛盾问题的解决有着横跨哲……