基于粗糙集理论的决策树预修剪学习算法研究的任务书.docx

基于粗糙集理论的决策树预修剪学习算法研究的任务书
任务书
一、任务目的：
本次任务的主要目的是针对决策树学习算法的预修剪问题，研究并开发出一种基于粗糙集理论的决策树预修剪学习算法，以提高决策树模型的预测准确率和泛化性能。
二、任务内容：
1.研究决策树预剪枝算法的相关理论和方法，对目前主流的决策树预剪枝算法进行系统梳理，并从理论和实践的角度分析其优缺点。
2.基于粗糙集理论，提出一种新的决策树预修剪方法，结合信息熵、信息增益等度量指标，实现对决策树的预降低过拟合程度的预剪枝。
3.将提出的决策树预修剪算法实现到计算机程序中，并利用实验数据进行测试和验证，对比本方法和其他预剪枝算法的性能差异。
4.进一步探讨和研究决策树学习算法的应用领域和拓展方向，探寻基于粗糙集理论的其他新颖算法。
三、任务步骤：
1.阅读和学习决策树预剪枝算法的理论和方法，对常见的决策树预剪枝算法进行分析和总结；
2.学习粗糙集理论及其应用，了解粗糙集与决策树的关联性；
3.基于粗糙集理论，设计并实现新型决策树预修剪算法；
4.采用真实数据集对新算法和主流预剪枝算法进行实验比较与验证，分析结果；
5.通过分析实验结果，总结新算法的优点与不足之处，进一步深化研究。
四、任务要求：
1.熟悉基本的数据结构和算法，具备一定的编程能力；
2.具备良好的数理统计背景和机器学习基础；
3.具有扎实的数学功底和一定的研究能力，能够较好地独立开展任务研究；
4.研究结果需要用科学方法进行分析和评价，并形成符合规范的实验报告。
五、任务时间：
本次任务的时间为两个月，包括论文的写作和实验过程。
六、任务人数：
本次任务主要为一名研究生或本科生，若有多名参与者，需要分工协作，有明确的任务分配和负责人。
七、任务成果：
1.研究报告：研究报告应对任务过程进行全面梳理和分析，包含任务背景、研究内容、实验方法、数据结果、结论分析等部分，要求有明确的分析和总结，具有一定的科研价值。
2.程序代码：程序代码需要实现所设计的算法和模型，要求代码风格整洁、可读性高，能够运行并验证统计和算法的正确性。
3.提供原始数据、实验结果和可视化分析图表：需要提供原始数据、实验结果和可视化分析图表，以便后续研究者和科研工作者进行数据的重复和参与。
八、参考资料：
[1]QuinlanJR.C4.5:ProgramsforMachineLearning[M].Elsevier,2014.
[2]BreimanL,FriedmanJ,StoneCJ,etal.ClassificationandRegressionTrees[M].CRCPress,2017.
[3]JiaweiHan,MichelineKamber,JianPei.DataMining:ConceptsandTechniques[M].ElsevierInc.,2012.
[4]SurenderSoni,KusumDeep,MSShishodia.Asurveyondecisiontreealgorithmforclassification[J].JournalofIntelligent&FuzzySystems,2018,35(3):3585-3599.
[5]PawełŻukowski,PiotrOsówski.Fast-learnabledecisiontreesinmedicaldecisionsupportsystems[J].HealthInformationScienceandSystems,2013,1:4.
[6]JingShao,YimingGuo,WeihongYang.Researchontheapplicationofdecisiontreealgorithminpersonalizedrecommendationsystem[J].JournalofIntelligent&FuzzySystems,2018,34(4):2561-2570.
[7]YuedeYang,QiangShen,ZhongzhiShi.Anewapproachfordecisiontreeinductionfromroughset[C]//Proceedingsofthe2000InternationalConferenceonMachineLearningandCybernetics,ICMLC2000.IEEEComputerSociety,2000:1319-1325.
[8]PawełŻukowski,PiotrOsowski.Roughsetapproachtofast-learnabledecisiontrees[J].NeuralComputingandApplications,2012,21(1):73-84.