當前位置:艾米科技 > 行業新聞 >

攝像系統成像系統的決策樹算法

    決策樹算法是一種用于分類攝像頭干擾器型號和回歸操作的非參數監督學習方法。在智能電網中,它被用于變壓器設計、狀態監測、評估、故障診斷、盜竊檢測和維修[18]。決策樹算法的主要目標是通過學習如何根據簡單的決策規則推斷數據的特征,建立一個能夠預測目標變量值的模型。決策樹有許多實現算法,如ID3和C4.5算法。C4.5基于ID3,它試圖識別小型(或簡單)決策樹。C4.5決策樹是歸納推理中應用最廣泛、最有效的監控屏蔽器方法之一[19]。
 
    決策樹算法的目標是從訓練數據集中獲得一組分類規則。優化攝像頭屏蔽器使用方法需要選擇局部最優特征作為劃分規則,通常用于進行預測。Spark提供的決策樹學習階段一般分為三個步驟:特征選擇、決策樹生成和決策樹剪枝。具體流程如下。
1) 特征選擇的準則是確定最優的局部特征并判斷其對當前數據集的分類效果。根據選擇特征判斷數據是否分類是相當重要的。信息增益率用來衡量這種變化的幅度。當前節點分類規則的確定依賴于分割后節點數據集中類的序數純度。衡量節點數據集純度的方法有三種,即熵、基尼和方差。本文用熵來衡量信息的純度,并指出信息的期望值。信息熵可定義為(13):
2) 當決策樹需要分裂時,將計算每個監控干擾器屬性的增益率。然后,選取最大增益率對決策樹算法進行分割。決策樹算法的生成過程如下所示。
輸入:訓練數據集D,特征值A,閾值ε.
輸出:決策樹T
1) 如果D中的所有實例都屬于同一類Ck,那么T是一個節點樹,Ck將被認為是該節點的類標記。然后,返回T。
2) 如果A=∅, 那么T是一個單節點樹,D中最大的一類實例Ck將被認為是節點標記。然后,返回T。
3) 另外,根據基尼特征選擇算法,計算A到D中每個特征的信息增益,選擇信息增益最大的特征Ag。如果攝像頭干擾器信息增益Ag小于閾值ε, 那么T是一個單節點樹,D中最大的一類實例Ck將被認為是節點標記。然后,返回T。否則,根據Ag=ai(ai是Ag中的任意值),D將被劃分為一些非空子集Di。然后,Di中最大的實例類將成為構建其子節點的標記。決策樹T將由節點及其子節點組成;隨后,返回T。

4) 對于子節點i,將基于訓練集Di、特征集A獲得子樹Ti−{以及(1)到(3)的遞歸過程。
女性生殖真人裸露图片一视频