Classification algorithm has always

Classification algorithm has always been a hot issue in data mining. Decision tree algorithm is the most active part in this area, but it is a NP problem to construct the optimization decision tree. With the development of the information collection technology, the requirements of the mass data mining have become increasingly higher. When dealing with large, continuous, even with the noise and abnormal data, the traditional decision tree algorithm seems very incompetent, encountering the efficiency of the bottleneck and classification error. In this paper, there exist the shortcomings for the decision tree algorithm to deal with multi-attribute data sources. The multivariate statistical methods is proposed to make the principal component analysis on multi-attribute data, reducing dimensionality, devoicing processing and transforming the traditional decision tree algorithm to form a new algorithm model. Comparing with the traditional decision tree algorithm, the experimental results show that this method can not only simplify the decision tree model, but also can improve prediction accuracy of the decision tree.

ผลลัพธ์ (ไทย) 1:

อัลกอริทึมการจัดประเภทได้เสมอถูกประเด็นร้อนในการทำเหมืองข้อมูล อัลกอริทึมต้นไม้ตัดสินใจเป็นส่วนอยู่มากที่สุดในบริเวณนี้ แต่มันเป็นปัญหา NP สร้างต้นไม้การตัดสินใจเพิ่มประสิทธิภาพ กับการพัฒนาของเทคโนโลยีการรวบรวมข้อมูล ความต้องการของการทำเหมืองข้อมูลโดยรวมได้เป็นสูงมากขึ้น เมื่อจัดการกับขนาดใหญ่ ต่อ เนื่อง แม้จะ มีเสียงและข้อมูลที่ผิดปกติ การตัดสินใจแบบต้นไม้อัลกอริทึมเหมือนมากไร้ความสามารถ ทำให้ประสิทธิภาพของขวดและการจัดประเภทข้อผิดพลาด ในเอกสารนี้ มีแสดงสำหรับอัลกอริทึมต้นไม้การตัดสินใจในการจัดการกับแหล่งข้อมูลของแอททริบิวต์แบบหลาย วิธีทางสถิติตัวแปรพหุการนำเสนอทำการวิเคราะห์ส่วนประกอบหลักหลายแอตทริบิวต์ข้อมูล dimensionality, devoicing การประมวลผล และเปลี่ยนอัลกอริทึมต้นไม้ตัดสินใจแบบดั้งเดิมเพื่อสร้างแบบจำลองขั้นตอนวิธีการใหม่ที่ลดลง เปรียบเทียบกับการตัดสินใจแบบต้นไม้อัลกอริทึม ผลการทดลองแสดงว่า วิธีนี้สามารถไม่เฉพาะทำแบบต้นไม้ตัดสินใจ แต่ยัง สามารถปรับปรุงความแม่นยำในการทำนายของต้นไม้การตัดสินใจ

ผลลัพธ์ (ไทย) 2:

ขั้นตอนวิธีการจัดหมวดหมู่ได้รับเสมอเป็นประเด็นร้อนในการทำเหมืองข้อมูล อัลกอริทึมต้นไม้ตัดสินใจเป็นส่วนที่ใช้งานมากที่สุดในบริเวณนี้ แต่มันเป็นปัญหา NP ที่จะสร้างต้นไม้ตัดสินใจเพิ่มประสิทธิภาพ กับการพัฒนาของเทคโนโลยีการจัดเก็บข้อมูลความต้องการของการทำเหมืองข้อมูลจำนวนมากได้กลายเป็นที่สูงขึ้น เมื่อจัดการกับขนาดใหญ่อย่างต่อเนื่องแม้จะมีสัญญาณรบกวนและข้อมูลที่ผิดปกติขั้นตอนวิธีต้นไม้ตัดสินใจแบบดั้งเดิมดูเหมือนว่าไร้ความสามารถมากต้องเผชิญหน้ากับความมีประสิทธิภาพของคอขวดข้อผิดพลาดและการจำแนก ในบทความนี้มีอยู่ข้อบกพร่องสำหรับขั้นตอนวิธีต้นไม้ตัดสินใจที่จะจัดการกับแหล่งข้อมูลหลายแอตทริบิวต์ วิธีการทางสถิติหลายตัวแปรจะเสนอที่จะทำให้การวิเคราะห์องค์ประกอบที่สำคัญกับข้อมูลหลายแอตทริบิวต์ลดมิติ, devoicing การประมวลผลและเปลี่ยนอัลกอริทึมต้นไม้ตัดสินใจแบบดั้งเดิมในรูปแบบรูปแบบอัลกอริทึมใหม่ เมื่อเทียบกับอัลกอริทึมต้นไม้ตัดสินใจแบบดั้งเดิมผลการทดลองแสดงให้เห็นว่าวิธีการนี​​้ไม่เพียง แต่สามารถลดความซับซ้อนของรูปแบบต้นไม้ตัดสินใจ แต่ยังสามารถปรับปรุงความถูกต้องคาดการณ์ของต้นไม้ตัดสินใจ

ผลลัพธ์ (ไทย) 3:

ขั้นตอนวิธีการเสมอมีประเด็นร้อนของการทำเหมืองข้อมูล ขั้นตอนวิธีต้นไม้ตัดสินใจเป็นส่วนหนึ่งที่ใช้งานมากที่สุดในพื้นที่นี้ แต่มันเป็นปัญหาที่สร้างเพิ่มประสิทธิภาพการตัดสินใจของต้นไม้ กับการพัฒนาของการรวบรวมข้อมูลเทคโนโลยี ความต้องการของข้อมูลมวล เหมืองแร่ได้กลายเป็นมากขึ้นที่สูงขึ้น เมื่อจัดการกับขนาดใหญ่อย่างต่อเนื่องแม้แต่เสียงและข้อมูลที่ผิดปกติ , ขั้นตอนวิธีต้นไม้ การตัดสินใจแบบดั้งเดิมที่ดูเหมือนจะไร้ความสามารถ พบกับประสิทธิภาพของคอขวดและการจำแนกผิดพลาด ในกระดาษนี้ ยังมีข้อบกพร่อง สำหรับต้นไม้ การตัดสินใจวิธีจัดการกับปริญญาข้อมูลแหล่งที่มามีหลายตัวแปรสถิติเสนอที่จะทำให้การวิเคราะห์องค์ประกอบหลักในปริญญาข้อมูล ลด dimensionality devoicing , การประมวลผลและเปลี่ยนขั้นตอนวิธีต้นไม้ การตัดสินใจแบบดั้งเดิมในรูปแบบอัลกอริทึมแบบใหม่ เมื่อเทียบกับแบบดั้งเดิมขั้นตอนวิธีต้นไม้ตัดสินใจ ผลการทดลองแสดงให้เห็นว่าวิธีนี้ไม่เพียง แต่สามารถลดความซับซ้อนของการตัดสินใจแบบต้นไม้ ,แต่ยังสามารถปรับปรุงการคาดการณ์ความถูกต้องของคำตอบ