帶估計的分割點采樣的并行決策樹.pdf

1、決策樹方法是歸納學習的一個重要分支,本質上是從訓練數據集中歸納出一組分類規(guī)則。因為決策樹具有很高的效率和預測精度、很好的可讀性,以及對噪聲數據的健壯性等優(yōu)點,成為應用最為廣泛的分類模型之一。
　　近年來,隨著信息技術和網絡技術的發(fā)展,計算機應用的普及,產生的數據量日益增長,對大規(guī)模數據集的分類已成為機器學習和數據挖掘中的一個重要領域。由于決策樹分類模型的準確率直接依賴于訓練數據集的大小,現有的決策樹算法在處理海量數據時因為數據存儲

2、、內存瓶頸、時間復雜度過高等因素,使其很難得到推廣,此外,在處理連續(xù)型屬性時效率太低。因此,進一步改進決策樹,提高決策樹的性能,使其更加適應數據挖掘技術的發(fā)展要求,具有重要的理論和實踐意義。
　　針對現有的決策樹分類算法的不足,本文基于分割點采樣方法對決策樹分類算法的并行化進行了研究,提出了適用于處理大規(guī)模數據集的帶估計的分割點采樣的并行決策樹分類算法MRSPDT。具體工作包括以下幾個方面的內容:
　　1.為提高現有決策樹算