1) decision tree classifier
决策树分类器
1.
For each of the methods,the classification error rate of the selected symptoms is assessed through cross validation using decision tree classifier.
首先,分别采用卡方、似然比、logistic回归等三种方法选择症状与衡量贡献度;并使用决策树分类器,通过交叉验证,评价所选择症状的分类错误率。
2.
Methods:The decision tree classifier is used as a tool and the rate of classification accuracy is used to measure the consistency.
方法:以决策树分类器为工具,用分类正确率衡量辨证一致性。
3.
On the basis of analyzing the classification principle of decision tree classifier and parallelpiped classifier, a new classification method based on normalized Euclidian distance, called WMDC(weighted minimum distance classifier), was proposed.
通过分析多重限制分类器和决策树分类器的分类原则,提出了基于标准化欧式距离的加权最小距离分类器。
2) decision tree classification
决策树分类
1.
In this paper,a set of optimized textures was chosen,which was used to classify the high spatial resolution remote sensing image based on decision tree classification(DTC) combined with multiscale texture data.
通过选择最佳纹理尺度组合,利用光谱数据结合多尺度纹理对高分辨率影像进行决策树分类。
2.
In this research, three different types decision tree classification (UDT, MDT and HDT) are present.
基于决策树分类算法在遥感影像分类方面的深厚潜力 ,探讨了 3种不同的决策树算法 (UDT、MDT和HDT)。
3) decision tree
决策树分类
1.
A method of classifying users using decision tree technique was presented in the paper, which realized users classification according to their access patterns through processing Web session file, signing class and classifying users using decision tree, so that personalized recommendation and guide can be done for different users, and E-Services quality was improved.
提出了一种应用决策树分类技术进行用户分类的方法 ,通过对 Web会话文件的处理、赋予类标记及决策树分类过程 ,实现了根据访问模式对用户的分类 ,以便个性化推荐和指导能够针对不同类别的用户进行 ,从而提高 E- Ser-vices中个性化服务的质量 。
2.
Then the decision tree classification,the maximum likelihood method in the surveillance classification in practice and the precision comparison in the land.
TM遥感影像能获取丰富的地面信息,适合于大面积的宏观监测,文章利用分层分类的方法提取南京江宁区土地利用信息,获得了土地利用变化图,并对土地利用分类方法中的决策树分类和监督分类方法中的最大似然法在实践中的应用和精度比较进行了探讨,最后结合GIS空间分析方法对分类的结果图进行比较分析,并分析其变化的原因。
5) decision classifying tree
决策分类树
1.
These binary classifiers are seen as the nodes of decision tree, and construct a decision classifying tree.
根据手写体金融汉字的特点,利用核聚类方法将原始样本特征映射到高维特征进行聚类分组,对每一组使用一个支持向量机二值分类器进行分类,并用这些二值分类器组成决策树的结点,构成一个决策分类树。
6) Decision tree classification algorithm
决策树分类算法
1.
There are some various algorithms in data mining, and decision tree classification algorithm is the most popular one.
在数据挖掘中存在多种算法,决策树分类算法是应用比较多的一种。
补充资料：树分类器
需要通过多级判别才能确定模式所属类别的一种分类方法。多级判别过程可以用树状结构表示，所以称为树分类器。例如在对0～9十个数字进行识别时，可以先根据某些特征把0，6，8，9，4分成一类（C1）,把1，2，3，5，7分成一类(C2),然后根据这些特征或另外一些特征把0，6，8，9，4这一类再分成0，4，8一类 (C3)和4，6，9一类(C4)等，直到最后把各个数字分开为止（见图）。这种树状结构由节点和树枝所组成，它的特点是除了树根C0没有前级节点(父节点)以外，其余节点都有唯一的父节点（例如C的父节点是C,且所有的节点都可以从树根沿树枝所组成的路径达到。没有后继节点（子节点）的节点叫作叶，如C8，C10，C11等，其余的叫作非终止节点。每个非终止节点都只有两个子节点的树分类器，是最常用的一类树分类器，称为二分树分类器。
每个终止节点对应一个类别，为了提高树分类器的正确识别率，允许有几个叶对应同一个类别。非终止节点对应的类别是它的子节点所对应的类别的总和。
树分类器的设计需要解决以下几个问题：
① 确定树的结构。树结构影响正确识别率和平均判别次数，一般根据所研究问题的性质确定某种与正确识别率有联系的目标函数代替正确识别率，作为判断结构是否合理的标准，从树根出发在每个非终止节点寻找使目标函数达到最小（或最大）的子节点和对应的类别配置。
② 对每个非终止节点选择用于判别的特征子集，分枝限界算法能提供选择最佳特征子集的有效方法。
③ 为每个非终止节点确定判别函数，最常用的判别函数是线性判别函数。
由于在每个非终止节点需要判别的类别比较少，在多数情况下,可以用较少的特征和较简单的判别函数(因而较少的计算机时间)以达到总体上比较好的分类效果。
每个终止节点对应一个类别，为了提高树分类器的正确识别率，允许有几个叶对应同一个类别。非终止节点对应的类别是它的子节点所对应的类别的总和。
树分类器的设计需要解决以下几个问题：
① 确定树的结构。树结构影响正确识别率和平均判别次数，一般根据所研究问题的性质确定某种与正确识别率有联系的目标函数代替正确识别率，作为判断结构是否合理的标准，从树根出发在每个非终止节点寻找使目标函数达到最小（或最大）的子节点和对应的类别配置。
② 对每个非终止节点选择用于判别的特征子集，分枝限界算法能提供选择最佳特征子集的有效方法。
③ 为每个非终止节点确定判别函数，最常用的判别函数是线性判别函数。
由于在每个非终止节点需要判别的类别比较少，在多数情况下,可以用较少的特征和较简单的判别函数(因而较少的计算机时间)以达到总体上比较好的分类效果。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条