面向分布式数据流大数据分类的多变量决策树

摘要：

分布式数据流大数据中的类别边界不规则且易变,因此基于单变量决策树的集成分类器需要较大数量的基分类器才能准确地近似表达类别边界,这将降低集成分类器的学习与分类性能.因而,本文提出了基于几何轮廓相似度的多变量决策树.在最优基准向量的引导下将n维空间样本点投影到一维空间以建立有序投影点集合,然后通过类别投影边界将有序投影点集合划分为多个子集,接着分别对不同类别集合的交集递归投影分裂,最终生成决策树.实验表明,本文提出的多变量决策树GODT具有很高的分类精度和较低的训练时间,有效结合了单变量决策树学习效率高与多变量决策树表示能力强的优点.

关键词：分布式数据流、大数据、分类、几何轮廓相似度、多变量决策树

所属期刊栏目：44

资助基金：国家自然科学基金71371091

在线出版日期：2018-11-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：1115-1127