P-AnDT：平均n依赖决策树的正例未标注学习算法

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

摘要：为了在仅有正例和未标注样本的训练数据集下进行机器学习（positive unlabeled learning,PU学习）,提出一种可用于PU学习的平均n依赖决策树（P-AnDT）分类算法。在构造决策树时,选取样本的n个属性作为依赖属性,在每个分裂属性上计算依赖属性和类别属性的共同影响;然后分别选用不同的输入属性作为依赖属性建立多个有差异的分类器并对结果求平均值,构造集成分类算法。最终通过估计正例在数据集中的比例参数p,使该算法能够在PU学习场景下进行分类。在多组UCI数据集上的实验结果表明,与基于贝叶斯假设的PU学习算法（PNB、PTAN等算法）相比,P-AnDT算法有更好更稳定的分类准确率。

原文链接:http://www.cqvip.com//QK/93231X/201607/669142286.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。）

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：学习算法 决策树 positive Learning earning 决策树 集成学习算法 PU学习理论 贝叶斯假设