决策树算法中的属性分裂度量标准研究.docx

决策树算法中的属性分裂度量标准研究

摘要

决策树算法是数据挖掘中的常用算法，在数据挖掘领域有广泛的应用。决策树算法优点在于它的分类准确率高、分类速度快和分类规则容易理解。经典的决策树算法有ID3算法、C4.5算法和CART算法等。

决策树算法的关键在于如何选择最佳划分属性。一般通过衡量不纯度来选择最佳划分属性，不纯度降低越多说明划分的效果就越好。不纯度度量主要有三种方式，熵、基尼指数和误分类率。本论文选择信息增益、信息增益率、平均增益率和基尼指数这四种属性分裂度量标准，并分别将其应用于C4.5算法，研究不同的属性分裂度量标准对决策树生成的影响。

本文针对四种不同的属性分裂度量标准，从分类准确