基于不确定性的决策树归纳

本书介绍了什么是不确定性，以及几种常见的不确定性：熵、模糊性、不可指定性和可信性，讨论了这几种不确定性之间的关系；介绍了不确定性环境中的决策树归纳过程中，如何系统明确地表示、度量、处理此过程中的不确定性，表明不确定环境下的决策树表示分类知识的自然性以及与传统决策树的区别；介绍了不确定环境下决策树产生算法和匹配策略，指明不确定环境下决策树在容许不精确数据、冲突数据和信息短缺等方面的优势；介绍了不确定环境下模糊决策树的产生机制以及多种决策树优化算法以及特征选取和样本选取；论述了不确定环境下决策树的集成；比较了本书论述的决策树一些其它常用的基于不确定性的归纳学习方法的优劣。本书的特点是结合作者近年来关于决策树学习的研究成果，以决策树的基本理论（不确定性、模糊决策树的产生机制）为基础，全面地讨论了决策树归纳学习中的主要问题（不确定环境下决策树扩展属性启发式标准的设计、决策树优化、特征选择、决策树的集成学习）。本书可供从事机器学习与计算智能等领域的相关科技人员参考，也可作为机器学习和人工智能等学科的教师、研究生、本科生的教学参考书。