Page 141 - 大数据背景下网络安全问题研究
P. 141
» 第五章 机器学习在网络信息安全中的应用
图 5-3 决策树结构
决策树的构造是一个递归的过程，有3种情形会导致递归返回：
一是当前结点包含的样本全属于同一类别，这时直接将该节点标记为叶节点，并
设为相应的类别（无需划分）。
二是当前属性集为空，或是所有样本在所有属性上取值相同，这时将该节点标记
为叶节点，并将其类别设为该节点所含样本最多的类别（无法划分）。
三是当前结点包含的样本集合为空，这时也将该节点标记为叶节点，并将其类别
设为父节点中所含样本最多的类（不能划分）。
决策树可以进行自学，不需要任何专家知识，可以根据设备自行生成决策系统。
决策树算法是以实例为基础的归纳学习算法，以表达的知识简单直观、高推理效率、
易于提取显示规则、计算量相对较小、可以显示重要决策属性和较高的分类准确率等
优点而得到广泛的应用。董明提出了一种利用属于模式识别范畴的决策树C4.5法进行
油浸式电力变压器故障诊断的方法，实现了变压器故障由粗到细的逐级划分，有利于
提高诊断的准确性。
决策树算法在信息增益进行选择时，可能出现的偏向问题，会对取值较多的属
性有所偏向，在某些特殊的情况下，通过其确定出的信息使用价值并不高，因此可以
与其他算法结合，实现更好的故障诊断。刘伟等提出一种基于决策树与模糊推理脉冲
神经网络的输出电网故障诊断方法，结果表明该方法在单类型和多类型故障信息丢失
时，依然能够正确诊断出故障元件。
（2）基于支持向量机的故障诊断方法
支持向量机是一种基于统计学习理论的有监督学习方法，在1995年由苏联教授
Cortes和Vapnik提出，由于在分类任务中的卓越性能，很快成为机器学习的主流技
• 129 •
