【技术实现步骤摘要】
本专利技术涉及机器学习领域，特别是涉及信息处理中的优化问题领域.
技术介绍
在很多优化问题中，目标值是连续的，对这类问题可采用线性或非线性回归的方法，神经网络的方法等进行建模，然后优化。但在许多情况下，这些算法的预测准确率不高，原因是数据往往噪声大，而前面所提到的方法追求的是对所有样本的拟合误差最小，受到噪声的影响特别大。而且这些方法得到的结果可理解性差，不利于和相关领域知识相结合。另外在很多情况下，我们只是期望能够将输出控制在一定的优区范围内。在这些情况下，可将目标值根据实际需要离散化，再采用模式识别的方法进行建模，提取相应的模型，再进行优化。这在一定程度上可提高正确率，并增加结果的可理解性。
技术实现思路
本专利技术提供了，使得判别的正确率更高，更进一步优化了分类方法的性能。本专利技术提出的模糊划分方法的流程包括，具体的模糊划分，参数修改和具体分类算法。在本专利技术中，对一个分类问题或规则学习问题，决策树的生成是一个从上至下，分而治之的过程。它从根结点开始，对数据样本进行测试，根据不同的结果，将数据样本划分成不同的数据样本子集，每个数据样本子集构成一子结点。对每个子结点再进行划分，生成新的子结点。不断反复，直至达到特定的终止准则。生成的决策树每个叶结点对应一个分类。对于生成的决策树，可从根结点开始，由上至下，提取规则，也可对数据点进行分类或预报。对一个样本进行分类时，从树的根节点开始,根据每个节点对应的划分将其归到相应的子节点，直至叶节点。叶节点所对应的类别就是该样本对应的分类。具体实施例方式本专利技术中分类具体方法为对一个样本进行分类时,从树的根节点...
【技术保护点】
将目标值根据实际需要离散化，再采用模式识别的方法进行建模，提取相应的模型，再进行优化。这在一定程度上可提高正确率，并增加结果的可理解性。
【技术特征摘要】
1.将目标值根据实际需要离散化，再采用模式识别的方法进行建模，提取相应的模型，再进行优化。这在一定程度上可提高正确率，并增加结果的可理解性。2.如权利要求I所述，为了克服离散划分带来的边界突变，可采用模糊划分来实现各个区间的平滑过渡。3.具体模糊划分方法的流程包括，具体的模糊划分，參数修改和具体分类算法。4.从ー棵决策树中提取分类规则的方法如下对每ー个叶节点，求出从根节点到该叶节点的路径。该路径上所有的节点的划分条件并在一起，即构成一条分类规则。多少个节点对应着多少条规则。5.如权利要求4中所述，决策树的生成是ー个从上至下，分而治之的过程。它从根结点开始，对数据样本进行测试，根据不同的結果，将数据样本划分成不...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。