基于决策树的多维属性自动推理识别

doi:10.3969/j.issn.1006-2475.2017.02.017

计算机与现代化

基于决策树的多维属性自动推理识别

(1.武汉邮电科学研究院,湖北武汉430074；2.烽火通信科技股份有限公司南京研发部,江苏南京210019)

收稿日期:2016-06-28 出版日期:2017-03-09 发布日期:2017-03-20
作者简介:汤鲲(1979-)，男，江苏南京人，武汉邮电科学研究院和烽火通信科技股份有限公司南京研发部高级工程师，硕士，研究方向：网络安全；蒋炳南(1989-)，男，湖北宜昌人，硕士研究生，研究方向：大数据分析；彭艳兵(1974-)，男，高级工程师，博士，研究方向：网络行为分析，海量数据挖掘。

Automatic Reasoning Identification of Multidimensional Attribute Based on Decision Tree

(1. Wuhan Research Institute of Posts and Telecommunications， Wuhan 430074, China；

2. Nanjing Research and Development Department， FiberHome Communication Technology Co. Ltd., Nanjing 210019, China)

Received:2016-06-28 Online:2017-03-09 Published:2017-03-20

摘要/Abstract

摘要：

现有的决策树分类在属性识别的应用中存在一定的不足，如样本数据属性类别必须事先已知，无法做到自动推理等。针对以上不足，本文提出一种基于决策树的多维属性自动推理的机器学习识别模型。通过引入属性相似度度量策略和机器学习的方法，实现多维属性的自动推理和识别。实验结果表明，该模型能有效地对多维属性进行自动分类，准确率达到93%左右，且识别的最终得分score均在0.71以上，能很好地满足属性自动识别的需求。

关键词: 决策树分类, 多维属性, 自动推理, 相似度度量策略, 机器学习

Abstract:

There exist certain disadvantages to the decision tree classification in the application of attribute recognition, such as sample data attribute category must be known in advance, can’t do automatic reasoning and so on. Against the above, this paper proposes an automatic reasoning machine learning identification model of multidimensional attribute based on decision tree. The paper introduces attribute similarity measure strategy and machine learning method to realize automatic reasoning and recognition for multi-attribute. The experimental results show that this model can effectively realize automatic classification of multi-attribute, accuracy is about 93%, and the final score of identification is above 0.71, which can well meet the requirements of automatic identification of attributes.

Key words: decision tree classification, multi-attribute, automatic reasoning, similarity measure, machine learning

中图分类号:

TP274.3

汤鲲1,2，蒋炳南1,2，彭艳兵1,2. 基于决策树的多维属性自动推理识别[J]. 计算机与现代化, doi: 10.3969/j.issn.1006-2475.2017.02.017.

TANG Kun1,2， JIANG Bing-nan1,2， PENG Yan-bing1,2. Automatic Reasoning Identification of Multidimensional Attribute Based on Decision Tree[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2017.02.017.

参考文献

［1］程乾生. 属性识别理论模型及其应用［J］. 北京大学学报(自然科学版), 1997,33(1):12-20.
［2］闫萍. 基于规则和概率统计相结合的中文命名实体识别研究［J］. 计算机与数字工程, 2011,39(9):88-91.
［3］何峰权,李建中. 基于属性模式的实体识别框架［J］. 智能计算机与应用, 2014,4(1):65-68.
［4］汪海波. 基于深度学习的人脸识别方法研究［D］. 合肥：合肥工业大学, 2014.
［5］Zhu Z, Luo P, Wang X. Deep learning identity-preserving face space［C］// IEEE International Conference on Computer Vision(ICCV). 2013:113-120.
［6］Pan Zhou, Cong Liu, Qingfeng Liu. A cluster-based multiple deep neural networks method for large vocabulary continuous speech recognition［C］// IEEE International Conference on Acoustics Speech and Signal Processing(ICASSP).

2013:6650-6654.
［7］王剑云. 基于深度神经网络的表情识别算法［D］. 绵阳:西南科技大学, 2015.
［8］张佳敏. 基于支持向量机的表情识别应用研究［D］. 重庆:重庆大学, 2015.
［9］朱旭东,刘志镜. 基于主题隐马尔科夫模型的人体异常行为识别［J］. 计算机科学, 2012,39(3):251-255.
［10］Niebles J C, Wang Hongcheng, Li Fei-fei. Unsupervised learning of human action categories using spatial-temporal words［J］. International Journal of Computer Vision, 2008,79(3):299-318.
［11］张琳,陈燕,李桃迎,等. 决策树分类算法研究［J］. 计算机工程, 2011,37(13):66-67.
［12］Yashkov I B. Feature selection using decision tree in the problem of JSM classification［J］. Automatic Documentation and Mathematical Linguistics, 2014,48(1):6-11.
［13］Duan Ru-jiao, Zhao Wei, Huang Song-ling, et al. High-speed corner detection based on fuzzy ID3 decision tree［J］. Journal of Central South University, 2012,19(9):2528-2533.
［14］胡小刚. 数据挖掘中决策树分类算法的研究［D］. 武汉:华中师范大学, 2002.
［15］Kopcke H, Thor A, Rahm E. Evaluation of entity resolution approaches on real-world match problems［C］// Proceedings of the 36th International Conference on Very Large Data Bases. 2010:484-493.
［16］Wang Jiannan， Li Guoliang, Yu Xu, et al. Entity matching: How similar is similar［C］// Proceedings of the 37th International Conference on Very Large Data Bases. 2011,4(10):622-633.
［17］任登君. 面向机器学习方法的命名实体识别［D］. 沈阳:东北大学, 2005.

[1]	贾潇瑶, . 融合CatBoost和SHAP的乳腺癌预测及特征分析[J]. 计算机与现代化, 2023, 0(10): 32-38.
[2]	张芸, 白开峰, 王星, 仓甜, 周通, 段锦文, 苏晗. 智能电网环境下窃电行为检测[J]. 计算机与现代化, 2023, 0(03): 60-65.
[3]	石志伟, 武志峰, 张哲. 纠正学习策略下LightGBM-GRU模型的股票波动率预测[J]. 计算机与现代化, 2023, 0(01): 95-102.
[4]	关云鹏, 刘玉龙. 基于从共现矩阵提取关联的类别型数据聚类[J]. 计算机与现代化, 2022, 0(11): 1-8.
[5]	冷涛, . 基于深度学习的加密流量分类研究综述[J]. 计算机与现代化, 2021, 0(08): 112-120.
[6]	邓子云, . 一种为辅助诊断筛选机器学习模型的方法[J]. 计算机与现代化, 2021, 0(03): 88-93.
[7]	郭欣, 陈瑛, 章鸣嬛, 张璇, 潘曙明, 汤璐佳. 利用机器学习方法对灾难生命支持课程NDLS培训效果进行分析预测#br#[J]. 计算机与现代化, 2020, 0(12): 61-66.
[8]	陈平平,耿笑冉,邹敏,谭定英. 基于机器学习的文本情感倾向性分析[J]. 计算机与现代化, 2020, 0(03): 77-.
[9]	马吉科,尹飞,祝永晋,豆龙龙,李剑. 一种应用半监督学习的计量装置运行状态辨识方法[J]. 计算机与现代化, 2020, 0(03): 82-.
[10]	赵琦1,2,蒋朝惠1,2,周雪梅1,2,宋紫华1,2. 一种基于HTTP协议的隐蔽隧道及其检测方法[J]. 计算机与现代化, 2019, 0(06): 16-.
[11]	孙小川,芦天亮. 基于聚类的数据加权优化在犯罪预测中的应用[J]. 计算机与现代化, 2019, 0(06): 55-.
[12]	刘彬，张冀聪. 运动相关电位分类算法比较和语义范式分析[J]. 计算机与现代化, 2018, 0(11): 88-.
[13]	梁东，杨永全，魏志强. 基于支持向量机的网页正文内容提取方法[J]. 计算机与现代化, 2018, 0(09): 21-.
[14]	白君泽,杨红丽,张标. Android应用程序权限组重要性分析[J]. 计算机与现代化, 2018, 0(08): 102-.
[15]	李鹏鹏,范会敏. 文本分类中特征权重算法改进研究[J]. 计算机与现代化, 2018, 0(02): 66-.

基于决策树的多维属性自动推理识别

Automatic Reasoning Identification of Multidimensional Attribute Based on Decision Tree

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价