文献类型：期刊文章

作　　者：赵宁杰[1] 李雪飞[1]

ZHAO Ning-jie;LI Xue-fei(Information Center,Beijing Institute of Fashion Technology,Beijing 100029,China)

机构地区：[1]北京服装学院信息中心,北京100029

出　　处：《北京服装学院学报（自然科学版）》

年　　份：2020

卷　　号：40

期　　号：3

起止页码：43-48

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、IC、RCCSE、SCOPUS、核心刊

摘　　要：分类算法在数据挖掘中是一种重要的研究方法,目前多数决策树分类算法在对数据处理过程中或多或少存在一些问题,要么判断结束分类的条件过多,要么剪枝过程较为复杂,导致消耗时间较长,有时还无法得到令人满意的分类结果,往往需要通过调整过多的参数等方式来完善分类模型,不断对算法进行优化。本文通过对几种经典算法进行研究,设计了一种基于bagging思想的决策树分类算法,并通过Java语言实现该算法;通过测试5个来自UCI的数据集,对其分类结果与经典算法进行了对比,该算法分类准确率较高,消耗时长较短,在实际应用中效果较好,且适用于大多数的样本集。

关 键 词：数据挖掘 分类算法  BAGGING 方差偏差权衡  决策树

分 类 号：TP311.1]