一种基于NNIA多目标优化的代价敏感决策树构建方法

本文提出了一种基于非支配邻域免疫算法(NNIA,NondominatedNeighborImmuneAlgorithm)多目标优化的代价敏感决策树构建方法.将平均误分类代价和平均测试代价作为两个优化目标,然后利用NNIA对决策树进行优化,最终获取了一组Pareto最优的决策树。对多个测试集的测试结果表明,与C4.5算法和CSDB(CostSensitiveDecisionTree)算法比较,本文方法不仅在平均误分类代价和平均测试代价两方面均可以取得优于两者的性能,而且获得的决策树具有更小的规模,泛化能力更强.