论文部分内容阅读
Fayyad连续值属性决策树学习算法使用信息熵的下降速度作为选取扩展属性标准的启发式，本文针对其易选取重复的条件属性等不足之处，引入属性间的交互信息，提出了一种改进算法——基于交互信息的连续值属性决策树学习算法，它的核心是使用信息熵和交互信息的下降速度作为选取扩展属性标准的启发式。实验结果表明，与Fayyad决策树学习算法相比，该算法降低了决策树中同一扩展属性的重复选取率，实现了信息熵的真正减少，提高了训练精度和测试精度，能构造出更优的决策树。