1) classification and regression tree(CRT)
分类回归树(CRT)
2) classification and regression trees
分类回归树
1.
The Research for "Case Mix" Classification Based on Rough Set and Classification and Regression Trees;
基于粗糙集与分类回归树的“病例组合”分类研究
2.
Identification of False Financial Statements by Classification and Regression Trees
基于分类回归树算法的上市公司会计信息失真识别研究
3.
On this need,we advanced the project of abnormal customers recognition system based on generalized computing and classification and regression trees (CART).
基于广义计算和分类回归树异动客户识别系统这个项目，是在数据仓库技术和数据挖掘技术迅速发展的基础上，针对企业客户关系管理的迫切需要而提出的。
3) CART
[英][kɑ:t] [美][kɑrt]
分类回归树
1.
Identification of Chinese prosodic phrase based on CART;
基于分类回归树CART的汉语韵律短语边界识别
2.
A Kind of Unusual Customers Recognition System Based on Multi-criteria Neural Network and CART in Telecom System;
基于多准则神经网络与分类回归树的电信行业异动客户识别系统
4) classification and regression tree
分类回归树
1.
Application and comparison of generalized models and classification and regression tree in simulating tree species distribution;
广义模型及分类回归树在物种分布模拟中的应用与比较
2.
In first we review the origin and application of the classification and regression tree,in the second we analyze the construction of the classification and regression tree in the cost of uniform and non-uniform costs,again discuss the pruning method and validation,finally we summarized.
分类回归树是一种优良的决策树算法,有广泛的应用。
3.
The relationship between brightness and earthquake magnitude is discussed by means of the classification and regression tree methods.
利用分类回归树方法研究卫星热红外亮温异常数据和地震震级关系 ,结果显示对地震震级影响的主要因素是最大异常亮温面积 ,可以利用它来构造具有 4个终节点的最优分类树 ,其误判率为 0 。
5) Classification) and Regression(Tree(CART)) Analysis
分类回归树分析
6) Classification and regression tree
分类和回归树
1.
Classification and regression tree(CART)for prediction of outcome after severe head injury.;
分类和回归树预测重型颅脑损伤的预后分析
补充资料：树分类器
需要通过多级判别才能确定模式所属类别的一种分类方法。多级判别过程可以用树状结构表示，所以称为树分类器。例如在对0～9十个数字进行识别时，可以先根据某些特征把0，6，8，9，4分成一类（C1）,把1，2，3，5，7分成一类(C2),然后根据这些特征或另外一些特征把0，6，8，9，4这一类再分成0，4，8一类 (C3)和4，6，9一类(C4)等，直到最后把各个数字分开为止（见图）。这种树状结构由节点和树枝所组成，它的特点是除了树根C0没有前级节点(父节点)以外，其余节点都有唯一的父节点（例如C的父节点是C,且所有的节点都可以从树根沿树枝所组成的路径达到。没有后继节点（子节点）的节点叫作叶，如C8，C10，C11等，其余的叫作非终止节点。每个非终止节点都只有两个子节点的树分类器，是最常用的一类树分类器，称为二分树分类器。
每个终止节点对应一个类别，为了提高树分类器的正确识别率，允许有几个叶对应同一个类别。非终止节点对应的类别是它的子节点所对应的类别的总和。
树分类器的设计需要解决以下几个问题：
① 确定树的结构。树结构影响正确识别率和平均判别次数，一般根据所研究问题的性质确定某种与正确识别率有联系的目标函数代替正确识别率，作为判断结构是否合理的标准，从树根出发在每个非终止节点寻找使目标函数达到最小（或最大）的子节点和对应的类别配置。
② 对每个非终止节点选择用于判别的特征子集，分枝限界算法能提供选择最佳特征子集的有效方法。
③ 为每个非终止节点确定判别函数，最常用的判别函数是线性判别函数。
由于在每个非终止节点需要判别的类别比较少，在多数情况下,可以用较少的特征和较简单的判别函数(因而较少的计算机时间)以达到总体上比较好的分类效果。
每个终止节点对应一个类别，为了提高树分类器的正确识别率，允许有几个叶对应同一个类别。非终止节点对应的类别是它的子节点所对应的类别的总和。
树分类器的设计需要解决以下几个问题：
① 确定树的结构。树结构影响正确识别率和平均判别次数，一般根据所研究问题的性质确定某种与正确识别率有联系的目标函数代替正确识别率，作为判断结构是否合理的标准，从树根出发在每个非终止节点寻找使目标函数达到最小（或最大）的子节点和对应的类别配置。
② 对每个非终止节点选择用于判别的特征子集，分枝限界算法能提供选择最佳特征子集的有效方法。
③ 为每个非终止节点确定判别函数，最常用的判别函数是线性判别函数。
由于在每个非终止节点需要判别的类别比较少，在多数情况下,可以用较少的特征和较简单的判别函数(因而较少的计算机时间)以达到总体上比较好的分类效果。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条