基于hadoop的并行共享决策树挖掘算法研究

共享知识挖掘是指通过学习不同事物之间的共享知识,将学习到的知识应用到未知事物来加快认知未知事物。针对大数据集中串行共享知识挖掘算法效率低下的问题,结合云计算技术,提出了一种基于hadoop的并行共享决策树挖掘算法(psdt)。该算法采用传统的属性表结构实现并行挖掘,但其i/o操作过多,影响算法性能,为此,进一步提出了一种混合并行共享决策树挖掘算法(hpsdt)。该算法采用混合数据结构,在计算分裂指标阶段使用属性表结构,在分裂阶段采用数据记录结构。数据分析表明,hpsdt算法简化了分裂过程,其i/o操作是psdt的0.34左右。实验结果表明,psdt和hpsdt都具有良好的并行性和扩展性；hpsdt比psdt性能更好,并且随着数据集的增大,hpsdt的优越性更加明显。