决策树算法的综述

　　决策树算法有很多种，根据属性分割方法的不同决策树算法分为两类：基于信息论的方法：例如ID3、C4．5算法；基于最小Gini指标方法：SLIQ、SPRD等算法。ID3算法是国际上公认的最早有影响的决策树算法。ID3算法根据属性集的取值进行分类的决策树算法，采用自顶向下不回溯的策略搜索全部的属性空间，它建立决策树的算法简单，分类速度快；但是ID3对于大的属性集则执行效率低，准确性不够，并且学习能力低下。C4．5算法继承了ID3算法的全部优点，相对于ID3算法C4．5算法增加了增益比例的概念，可以处理连续属性以及属性值不完整的训练样本等。同时也存在许多缺点，比如：得到的结果并不是全局最优的，C4．5算法构造出来的决策树很难改善，C4．5算法对属性进行分组的效率比较低。为了解决决策树算法(例如C4．5算法)要求训练数据驻留内存从而不适合处理大规模数据的问题，IBM的研究人员提出了SLIQ算法。SLIQ算法是一种高速可伸缩的数据挖掘分类算法。SLIQ算法采用类直方图的数据结构对属性进行分片，这种类直方图要一直驻留在内存，类直方图结构的大小由训练样本数成正比关系，因此当数据集很大是算法的效率非常低而且有可能失效。为了解决SLIQ算法中类表必须驻留在内存中的缺陷，IBM的研究人员提出了sprint算法。由于该算法具有完全不受内存的限制、生成的决策树较为紧凑和准确、易于实现并行化、以及较好的伸缩性、加速性和扩容性等优点，成为了数据挖掘中优秀的算法之一。Sprint算法是一种可以扩展可以并行的归纳决策树。它吸收了SLIQ算法的预排序技术，使用了不同的数据结构，从而消除了内存的限制。SPIUNT算法包括SPIUNT串行算法和SPRINT并行算法。在实际应用中也通常把SLIQ，SPRINT通过改进使之成为分布式的决策树算法。

　　　　近几年对ＳＰＲＩＮＴ的优化主要集中在以下几个方面。（１）减少计算量提高计算效率。每次求最佳分割点时sprint算法都要对所有候选属性的每一个候选分割点来计算gini值，计算量大。针对离散属性和连续属性分别提出不同的优化方案（２）使用雨林算法框架，减少通信量，提高易扩展性。（３）引入新的数据结构提高资源利用率，减少I/O和扫描磁盘的次数。

　　　　Sprint算法的优势是通过增加大量磁盘L／0读写时间和搜索磁盘数据时间来获得的。正是因为这个特点，SPRINT方法在非常大的数据集上构造决策树的计算时间会很长，以至缺乏实际意义。’处理这个问题有两种较好方式：一种是采用并行性机制，另一种是减少算法的I／O时间。最近几年随着分布式及云计算技术的逐渐成熟，有许多研究工作人员将并行sprint算法改进应用到分布式平台（比如Hadoop）之上。所以随着云计算和数据挖掘技术的研究深入，SPRINT算法的优势将逐步得到体现