APP下载

同分布强化学习优化多决策树及其在非平衡数据集中的应用

2019-06-13焦江丽张雪英李凤莲牛壮

中南大学学报(自然科学版) 2019年5期
关键词:分类策略方法

焦江丽,张雪英,李凤莲,牛壮



同分布强化学习优化多决策树及其在非平衡数据集中的应用

焦江丽,张雪英,李凤莲,牛壮

(太原理工大学 信息与计算机学院,山西 太原,030024)

针对传统决策树在非平衡数据集分类时少数类预测性能出现偏差的问题,提出一种基于强化学习累积回报的属性优化策略即改进型同分布多决策树方法。首先通过同分布随机抽样法对非平衡数据集中的多数类样本进行随机采样,进而对各子集建立单决策树形成多个决策树,各决策树采用分类回归树算法建树,并利用强化学习累积回报机制进行属性选择策略的优化。研究结果表明:提出的基于强化学习累积回报机制的属性优化策略可有效提高少数类被正确分类的概率;同分布多决策树方法可有效提高非平衡数据集整体预测性能,且正类率和负类率的几何平均值都有所提高。

非平衡数据集;多决策树;累积回报机制属性选择策略;同分布随机抽样;强化学习

分类是数据挖掘领域的研究热点之一,目前成熟的算法主要包括朴素贝叶斯、神经网络和决策树[1]等。其中,随机森林算法因其具有简单易行、运算速度快和准确度高的特点而在交通、医学、生物学等众多领域得到了广泛应用[2−3]。然而,随着大数据时代的到来,数据的非平衡特性也更加突出。决策树分类算法基本思想是通过一个树形结构模型,将数据集在不同分裂节点根据不同属性划分为各类别,其模型构建的核心是对分类节点的分裂属性进行最佳选择。……

登录APP查看全文

猜你喜欢

分类策略方法
分类算一算
例谈未知角三角函数值的求解策略
我说你做讲策略
高中数学复习的具体策略
教你一招:数的分类
用对方法才能瘦
四大方法 教你不再“坐以待病”!
捕鱼
Passage Four