【摘要】：顾及决策树邻近对象的非空间聚合值，基于分类对象的非空间属性、描述被分类对象和邻近特征的空间关系的属性、谓词和函数，Koperski提出了空间数据的两步决策分类法。Marsala和Bigolin利用模糊决策树在面向目标的空间数据库中挖掘区域分类规则。POSS系统使用决策树方法对天空图像中的星体对象进行分类，并通过分辨率、背景等级或平均强度等属性参数对图像进行规范化，以提高分类准确性。著名的C4.5系统也是基于决策树的。
决策树(decision tree)根据不同的特征，以树型结构表示分类或决策集合，产生规则和发现规律(quinlan，1993)。在空间数据挖掘中，决策树首先利用训练空间对象集生成测试函数，其次根据不同取值建立树的分支，在每个分支子集中重复建立下层节点和分支，形成决策树，然后对决策树进行剪枝处理，把决策树转化为据以对新空间对象进行分类的规则。ID3(Interactive DichotornÏzer 3)方法根据信息论原理建立决策树或者决策规则树，它计算数据库中各字段的信息量，寻找数据库中具有最大信息量的字段，建立决策树的一个节点，再根据字段的不同取值建立树的分支，在每个分支子集中重复建树的下层节点和分支，叶节点为正例或反例。顾及决策树邻近对象的非空间聚合值，基于分类对象的非空间属性、描述被分类对象和邻近特征的空间关系的属性、谓词和函数，Koperski(1999)提出了空间数据的两步决策分类法。在查找样本对象的粗略描述后，利用机器学习的Relief算法提取空间谓词，合并空间谓词和非空间谓词为分类决策知识。Marsala和Bigolin(2002)利用模糊决策树在面向目标的空间数据库中挖掘区域分类规则。POSS系统(Fayyad et al.，2006)使用决策树方法对天空图像中的星体对象进行分类，并通过分辨率、背景等级或平均强度等属性参数对图像进行规范化，以提高分类准确性。著名的C4.5系统也是基于决策树的。(www.xing528.com)
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
