决策树是一种以智能化方式进行实例分类的数据挖掘方法,已被广泛应用于人工智能等领域。其中单调分类算法可以解决属性和标签值具有单调序关系的分类问题。单调序关系是指在分类的过程中对属性和标签存在的一种单调约束,即当属性值增加时,类标签值应该不变或是相应地增加。这种分类问题在客户信用等级评估等领域广泛存在。然而以往的实验表明使用传统单调分类算法通常对噪声数据比较敏感并且对数据集的种类有一定的限制。为了解决上述问题,本文提出了一种以数据集的分布情况为依据的决策树分类算法。首先根据非同类数量比指标对原始数据集进行降噪,减少噪声样本对分类结果的影响,以此提高分类准确率。其次由于传统的单调分类方法仅适用于属性和标签都为有序值的数据集,且形成的单变量决策树无法综合考虑所有属性对分类任务的影响率,所以本文将数据集映射到多维空间中,并结合局部密度峰值聚类的方法形成具有数量单调约束的单调分类,从而演化成一棵多变量决策树,该方法不仅可消除对数据集种类的限制因素,还能够将所有属性的影响纳入分类过程。最后通过相对边界点与局部错分率之和两个方法确定最佳分裂超平面对数据进行分类。在实验方面,本文将提出的具有数量单调约束的多变量决策树分类算法应用于从UCI中选取的1 1个数据集。同时将本文提出的多变量决策树分类算法与决策树算法中的ID3决策树分类算法(REPTree)、C4.5决策树分类算法(J48)、随机森林算法(RandomForest)、随机树算法(RandomTree)和霍夫丁树算法(HoeffdingTree)分别进行了实验对比。实验结果表明,本文提出的分类算法在分类准确率、平均绝对误差及F1-Measure等指标方面优于其他决策树分类算法,具有良好的分类性能。