.png){kind=icon}
返回
A Decision Tree Classification Algorithm Based on Two-Term RS-Entropy
.png){kind=icon}
OA
AI
DOI：10.3390/e27101069.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
分类是机器学习领域的一个重要任务。决策树算法因其高精度、简单的算法过程和良好的可解释性，成为处理分类任务的流行选择。传统决策树算法，如ID3、C4.5和CART，主要区别在于其划分树的准则。香农熵、基尼指数和均方误差都是可作为划分准则的度量示例。然而，它们在不同数据集上的性能各不相同，使得确定最优划分准则变得困难，从而导致算法缺乏灵活性。因此，本文引入了信息论中的广义熵概念，该概念通过一个自由参数将多种划分准则统一起来，并将其作为决策树的划分准则。我们提出了一种新的决策树算法，称为RSE（RS-熵决策树）。此外，我们通过在划分准则中引入惩罚项和系数，改进了一种两项信息度量方法，从而得到一种新的决策树算法，称为RSEIM（RS-熵信息方法）。理论上，改进后的RSE和RSEIM算法由于存在多个自由参数而更具灵活性。在多个数据集上进行实验，并使用遗传算法优化参数后，我们提出的RSE和RSEIM方法在分类精度上显著优于传统决策树方法，且未增加生成树的复杂度。
Keyword:
classification
decision tree
generalized entropy
split criteria
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2
论文数:
956
被引数:
2.4W
机构
引用论文
Public transport user's perception and decision assessment using tactic-based guidelines.png)
TRANSPORT POLICY
TRANSPORT POLICYIF5.3
PREAI
分享收藏Machine learning identifies experimental brain metastasis subtypes based on their influence on neural circuitsCancer CellOAAI
Cancer CellIF0
OAAI分享收藏DT-SNE: t-SNE discrete visualizations as decision tree structuresDt-sne: t-sne离散可视化作为决策树结构NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏Development of a machine learning-based multimode diagnosis system for lung cancer基于机器学习的肺癌多模式诊断系统的研制AGING-USOAAI
AGING-USIF3.9
OAAI分享收藏分享收藏
查看更多内容