Подготовка данных для See5

Построение деревьев решений – система See5/C5.0

Система See5/C5.0 (Windows 95/98/NT) http://www.rulequest.com предназначена для анализа больших баз данных, содержащих до сотни тысяч записей и до сотни числовых или номинальных полей. Результат работы See5 выражается в виде деревьев решений и множества if–then правил. Система проста в обращении и не требует от пользователя специфических знаний в области прикладной статистики. Стоимость See5 – $ 740, некоммерческая версия для обучения ограничена количеством анализируемых записей (до 200).

Проиллюстрируем процесс работы See5 на реальном примере из области медицинской диагностики. Исходные данные в рассматриваемом случае относятся к задаче дифференциальной диагностики заболеваний почек. Данные были получены в Российской медицинской академии /А. Н. Хитрова, 1996/.

Фрагмент исходных данных приведен в табл. 9.1. Это как раз тот вид данных, для обработки которых более всего подходит See5. Каждый объект (пациент) здесь принадлежит к одному из небольшого числа классов (здоров, множественные кисты, гидронефроз) и описывается 11 разнотипными признаками.

Задача See5 состоит в предсказании диагностического класса какого‑либо объекта по значениям его признаков. При этом, как мы увидим, See5 конструирует классификатор в виде дерева решений, которому, в свою очередь, может быть поставлено в соответствие некоторое множество логических правил.

Подготовка данных для See5

Каждой задаче, решаемой в системе See5, требуется присвоить свое собственное имя. Пусть в нашем случае это имя будет USR (UltraSonic Research). В процессе решения See5 использует и формирует несколько файлов с одинаковым именем и различными расширениями. Важно точно соблюдать правила записи имен и расширений (система различает строчные и прописные буквы). Кроме того, отметим, что See5 поддерживает только латинские шрифты.

Таблица 9. 1. Фрагмент исходных данных по дифференциальной диагностике заболеваний почек