食品安全spssau数据的融合及分类技术综述(十)

浏览: 作者: 来源: 时间:2019-12-01 分类:论文写作技巧
决策树分类算法是一种自顶向下递归建模算法。该算法可以分为两大部分:1.构建决策树部分;2.使用决策树分类部分。ID3 算法是决策树分类算法的经典算法,其用“信息增益”作为属性选择标准。

5.1.2 决策树

决策树分类算法是一种自顶向下递归建模算法。该算法可以分为两大部分:1.构建决策树部分;2.使用决策树分类部分。ID3 算法是决策树分类算法的经典算法,其用“信息增益”作为属性选择标准。由于ID3 算法一般适用于离散型属性,因此提出了一种优化算法 C4.5。C4.5 算法用“信息增益率”进行计算,在运算过程中先将连续型属性转换为离散型,然后再进行属性分类。针对食品安全spssau数据(spss论文),采用决策树分类算法显著提高了食品安全数据的分类效果。另外,研究人员还提出了大量的改进算法,例如,文献[28]对生成决策树算法的目标函数进行了改进,并且对影响分类结果的约束条件中的特征进行了多方面衡量,从而提高了分类节点的精确度;文献[29]提出了一种基于粗糙模糊集的容错粗糙模糊决策树算法,与一般决策树相比,该算法具有较快的学习速度和较大的收敛概率;文献[30]提出了一种 HAC4.5 决策树算法,该算法与 Hadoop 平台并行,不仅提高了运行速度,而且提高了计算精度。

5.1.3 神经网络

神经网络针对规模大、复杂度高、存在噪声等特点的数据,具有很强的承受力、较高的准确率和较强的分类速率。因此神经网络分类算法可用于食品安全spssau数据(spss论文)挖掘。但是当食品安全spssau数据(spss论文)的隐藏结点数量十分大时,实现食品安全spssau数据(spss论文)的分类将会消耗大量的时间。针对这个问题,文献[31]刘彩红结合生物神经元学习和记忆形成的特点,提出了一种改进的 BP算法,解决了网络学习慢的问题;文献[32]又提出了一种基于构造型神经网络的最大密度覆盖分类方法,进一步提高了神经网络的训练速度,同时提高了神经网络分类算法的有效性。基于以上四种算法的原理,综合分类精度、模型效率、非数值型数据处理能力、运行速度、模型结构等几方面给出如表 2 所示的对比情况。本站专业提供spss数据分析、stata数据分析和eviews数据分析服务。

5.2 并行分类算法

食品安全spssau数据(spss论文)具有海量、高速变化、噪声、结构复杂等特点,对其进行快速准确的分类,是寻找数据潜在规律的重要方法。传统的数据分类算法处理spssau数据(spss论文)时存在行性差、效率低、分类精度不高等问题。而目前基于 MapReduce 模型的分布式并行处理架构成为处理海量数据的新方法。如文献[33]提出了一种在分布式环境中执行的决策树分类器构建算法,该算法与传统决策树分类器相比,对多处理器上的流数据具有可伸缩性。文献[34]回顾了分布式支持向量机(DSVMs)的研究现状,并分析现有的分布式支持向量机的优缺点,提出一些支持向量机算法分布的研究和有待解决的问题。文献[35]设计并实现了一种基于MapReduce 架构的并行决策树分类算法,相比于传统的决策树和 ID3 算法,该算法不仅可以处理规模比较大的数据,还具有较好的可扩展性。因此,从并行计算出发,提高食品安全spssau数据(spss论文)分类算法效率和精度是一个重要的研究方向。

摘自:食品安全spssau数据的融合及分类技术综述