摘要：代价敏感学习算法的目的是最小化各种代价总和，与其他学习算法一样，它必须面对过度拟合这个挑战性问题，即分类器可以较好地拟合训练数据，但对测试或实际数据的效果较差。针对代价敏感学习的这些缺点，提出两个克服过度拟合的策略。第一个滤波技术策略针对TCSDT分类建立，滤波后的概率估计值被用于对每个分离属性的潜在误分类代价计算，并延缓潜在大误分类代价的分离属性的优先选择，最后，采用交叉验证方法决定m的值。第二个策略与基于标准错误的Laplace剪枝方法不同，阈值剪枝采用一个预先定义的阈值集合（跟代价有关）来确定决策树的一个叶节点是否被剪除。这两策略可独立或联合用于避免TCSDT分类的数据过度拟合。实验表明，所提出的两算法不但在代价敏感学习中有优势，在非代价敏感学习也具有优势，可以有效地减弱过度拟合，有很强的健壮性，UGI数据集实验结果显示算法的拟合能力平均优于存在方法10％以上。

原文链接:http://www.cqvip.com//QK/91580X/200906/32714112.html

送人玫瑰，手留余香~如您已下载到该资源，可在回帖当中上传与大家共享，欢迎来CDA社区交流学习。（仅供学术交流用。）