假设在某工程项目管理中含有表5.1所示的信息集[152]。该信息集表示工程项目的环境因素对工程项目实施结果的影响。
表5.1 示例信息集
续表
可以将表5.1看成是一个关于工程项目管理中关于自然风险的数据集，属性Outlook、Temperature、Humidity和Windy看成是影响工程项目风险结果Class的风险元，从ID3算法的角度来看，将属性Outlook、Temperature、Humidity和Windy看成是条件属性集C，并且分别以ai（i＝1，2，3，4）表示，而属性Class看成是决策属性D。在利用ID3算法之前先对此表用粗糙集理论进行属性约简以简化计算。计算如下：
由式（5.6），有：
POSIND（c）（D）＝{1，2，3，4，5，6，7，8，9，10，11，12，13，14}＝U
考察ai（i＝1，2，3，4）在C中相对于D来说是否必要，因此，从C中去掉a1，得到：(www.xing528.com)
POSIND（c-{a1}）（D）＝{2，5，9，10，11，13}≠POSIND（c）（D）
可以得出结论a1（Outlook）对于决策属性Class是必要的，不能约简。依次计算可以得到条件属性a2（Temperature）对于决策属性Class是不必要的。这样可以得到核集CORDD（P）＝{a1，a3，a4}。基于上述计算，在数据挖掘生成决策树算法之前已经去掉了属性a2，简化了计算。
图5.2 经计算后生成的决策树
接下来采用ID3算法生成决策树。利用式（5.2）、式（5.3）和式（5.4）可以得到该信息集的期望信息量为E（C）＝0.940286。进而计算Gain（a1）＝0.24675；Gain（a3）＝0.151836；Gain（a4）＝0.048127。选择a1为决策树的根节点，将a1的取值作为从根节点引出的各条分支。然后在各条分支的划分所得的数据子集中继续用式（5.2）、式（5.3）和式（5.4）计算后可以生成如图5.2所示的决策树。
假设各个风险元的分布律如表5.2所示，则根据式（5.1）可以得到如下最终结果的分布律：
f（P）＝p12+p11p21+p13p32
f（N）＝p11p22+p13p31
表5.2 各风险元的分布律
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。
