论文部分内容阅读
应用粗糙集理论，提出了一种新的多变量决策树构造算法．该算法以核相对于决策类的泛化来划分样本集，如果所划分子集的样本存在不一致决策类并且未用于划分的属性为空时，试探着分别把该子集和一致性子集合并，计算各合并子集的条件类对决策类的确定性程度，选择确定性程度大的作为同一子集，并用一致性子集的类标号进行标示．和苗夺谦提出的多变量决策树算法比较，本算法充分考虑了训练集中的噪声数据，允许在构造决策树的过程中划入正域的实例类别存在一定的不一致性，可简化生成的决策树，提高决策树的泛化能力．