本論文期望以模糊熵改善決策樹歸納學習法的預測正確率。傳統的決策樹
歸納學習法中，分界點附近的事物常因些微的數值差距而產生截然不同的
分類預測結果，這種不當的判斷方法導致決策樹的預測正確率一直不高。
有些學者以機率或模糊理論來改善這些分界點附近的不當分類方式，結果
使得預測正確率增加不少，由此顯示分界點確實是提昇預測正確率的關鍵
。不過以往的研究皆針對分類預測方法做改善，本論文嘗試在決策樹的建
樹過程中，以模糊理論改善負責挑選分界點的熵函數，期望能夠改變決策
樹的分割屬性，提高其預測正確率。本論文在個人電腦上撰寫程式，模擬
提出的模糊熵概念，並以數個應用領域的資料集來評估模糊熵決策樹歸納
學習法的預測正確率。實驗結果顯示，模糊熵決策樹確實比傳統決策樹擁
有更高的預測正確率，但是改善的幅度略低於改善分類預測方法的改善幅
度，若將這兩種改善方法合併使用，改善的幅度略高於改善分類預測方法
的改善幅度。
|