Clustering‐based decision tree classifier construction
Abstract
This article studies data structure investigation possibilities using cluster analysis. Density structures within classes are explored to implement class decomposition in order to enhance performance of decision tree classifiers. Classes are decomposed using cluster analysis and cluster merge evaluation using decision tree classifiers. Then impact of class decomposition is shown on C4.5 and CART classifiers. The main focus is on experiments carried out with real‐valued data sets. The experiments are described in a step‐by‐step manner to illustrate the patterns discovered which affect previously proposed patterns in class decomposition methodology.
Article in English.
Klasterių sprendimų medžiu pagrįstas statybos klasifikatorius
Santrauka. Straipsnyje nagrinėjamos duomenų struktūros tyrimo galimybės naudojant klasterinė analizė. Tiriamos įvairaus tankio klasės ir siekiama tokio klasės išskaidymo laipsnio, kad padidetų sprendimų medžio klasifikatorių veiksmingumas. Klasės suskaidomos klasterinės analizės ir klasterių sujungimo metodais, naudojant sprendimų medžio klasifikatorius. Tada klasės skilimo poveikis parodomas C4.5 ir CART klasifikatoriuose. Pagrindinis dėmesys skiriamas bandymams, atliktiems su realiu duomenų rinkiniais. Eksperimentai aprašomi žingsnis po žingsnio, iliustruojant atrastus modelius, kurie veikia anksčiau siūlytus klasių modelius.
Reikšminiai žodžiai: klasifikacija, klasės skilimas, klasterinė analizė, sprendimų medžiai, duomenų generavimas.
First published online: 10 Feb 2011
Keyword : classification, class decomposition, cluster analysis, decision trees, data mining
This work is licensed under a Creative Commons Attribution 4.0 International License.