C4.5算法改进：基于Kendall和谐系数的优化与实验验证

本文主要探讨了C4.5算法在决策树构建过程中的局限性，特别是它在选择分裂属性时未能充分考虑条件属性之间的相关性，这可能导致树的构建不够精确，从而影响分类的准确性。C4.5算法，由J.Ross Quinlan提出，是ID3算法的改进版本，因其易于理解和高效性而在分类问题中广泛应用。然而，算法的复杂度、对连续性数值处理的不足以及忽略条件属性间相关性等问题限制了其性能。 为了改进这一问题，研究者提出了一种基于Kendall和谐系数的C4.5决策树优化算法。Kendall和谐系数是一种衡量有序对之间关系的统计量，它能够有效地捕捉到条件属性间的相关性，从而帮助算法在选择分裂属性时做出更明智的决策。通过引入这种系数，算法在保留C4.5基本思路的同时，引入了对条件属性间关系的考量，提高了属性选择的准确性。 此外，作者还利用等价无穷小原理对计算公式进行了简化，旨在减少计算量，提高算法的执行效率。这种方法在保持算法精度的同时，提升了算法的实用性，使之能够在大规模数据处理中更加高效。 实验证明，经过改进的C4.5算法在实验中显示出显著的优势，不仅在分类准确度上有明显提升，而且在处理速度上也有所改善。因此，这项研究对于优化C4.5算法，使其在实际应用中更好地服务于决策树建模具有重要的理论价值和实践意义。 关键词：C4.5算法、Kendall和谐系数、决策树 这篇论文的研究成果发表在《计算机工程与应用》杂志上，2019年第12期，作者安葳鹏和尚家泽详细介绍了他们的方法，并提供了实验结果来支持他们的改进策略。这篇文章为解决决策树构建中的相关性问题提供了一个新的视角和解决方案，有助于推动决策树算法的进一步发展。