决策森林是基于决策树的集成学习方法。将集成的优势与决策树相结合,决策森林能够有效地避免过拟合,提高分类精度。然而,传统的决策森林借助ID3和C4.5等经典算法构造基学习器——决策树的过程中存在一些局限性,如无法避免子树重复和部分属性被多次选择的问题,进而直接导致模型复杂度升高,所提取的规则难以解释。针对传统决策森林算法中的不足,本文先提出了一种基于属性约简的决策森林算法,而后在此基础上又提出了属性增量的改进决策森林算法。本文将粗糙集理论中的属性约简技术作为数据处理方法与决策树相结合,提出了一种新的决策树构造算法,并借助集成学习的思想,针对分类任务采用投票的方式提出基于属性约简的决策森林算法。具体地,对于森林中决策树的构造,以条件属性是否具有将在此条件属性上取值不同且决策不同的样本区分开为标准,对条件属性进行约简,只保留真正有效的属性。并以约简后属性相对分类任务重要性的由高到低顺序依次选作决策树每层结点的最佳划分属性,解决了经典建树方法中子树重复和部分属性被多次选择的问题。在构造决策森林的过程中,对于分类任务使用相对多数投票法处理所有决策树的输出结果作为最终森林的输出。本文进一步提出属性增量的决策森林构造算法。首先在属性子集的基础上训练初始决策树,然后在保证决策树分类能力不减的前提下,对其余属性逐一进行判断其是否能够替代决策树中已有属性而达到简化树结构的目的,对决策树进行更新。最后同样借助相对多数投票法输出森林的预测结果。实验表明,本文提出的基于属性约简的决策森林方法在某些数据集上是正确有效的,在引入增量地建树方法后,算法的时间开销更少,且分类准确率与增量前相差不大。