計算動詞決策樹

計算動詞決策樹是計算動詞理論與傳統決策樹相結合的產物，也可以說是對傳統決策樹的計算動詞化。對傳統決策樹的計算動詞化有多種方式：第一，我們可以對傳統決策樹所處理的數據中的時序性進行計算動詞化，也即對於在傳統決策樹中套用對象為時間序列的套用來進行輸入數據的計算動詞化；除此之外，我們還可以對傳統決策樹所對應的規則進行計算動詞化，也即對傳統決策樹的拓撲結構本身，就如同將形如傳統神經網路這樣的計算結構進行計算動詞化的情形一樣，在這結構中加入計算動詞規則來改變傳統決策樹的拓撲結構。從某種意義來說計算動詞決策樹是將眾多的傳統決策樹沿時間軸方向在其輸入數據以及其決策過程的維度上進行的拓展。因此，計算動詞決策樹對於其輸入數據的降維以及對於其推理過程的降維會有效地控制傳統決策樹在挖掘大規模的時序數據的時候所可能出現的輸入組合爆炸以及其拓撲結構的組合爆炸，從而達到擬人的數據挖掘和決策過程。

傳統決策樹只能對離散靜態的知識建模，無法對動態只是建模，在動態數據越來越多的情況下，傳統決策樹的弊端顯得尤為突出，而計算動詞決策樹的優勢就顯得越為重要。動詞決策樹不僅繼承了傳統決策樹的優點，同時把其套用推廣到含有動態數據屬性的數據，其節點不再是像傳統決策樹那樣的靜態屬性，而是動態的動詞節點。相比傳統決策樹，動詞決策樹不僅可以想傳統決策樹那樣過程可以是離散的，也可以是由離散組成的動態過程，而且動態過程比傳統決策樹更加細膩

計算動詞決策樹訓練算法

計算動詞決策訓練算法目前有多種訓練方法，最初的計算動詞決策樹訓練算法是楊濤教授創新的，與傳統ID3決策樹訓練算法較為相近，在傳統的ID3決策樹訓練算法中，通過增益和熵來訓練節點，而最初的計算動詞決策樹訓練算法是通過計算動詞增益和計算動詞熵來訓練節點；但在訓練計算動詞決策樹之前，必須動詞化訓練數據，隨後訓練計算動詞決策樹節點。

計算動詞決策樹算法在數據挖掘上套用

數據挖掘是從大量的數據中通過算法搜尋隱藏於其中信息的過程。傳統決策樹算法在數據挖掘中是極其重要的方法之一，但並未真正用到數據的時序性。但數據計算動詞化後，數據的時序性稱為了非常重要的特徵，對數據隱含的動態信息可以快速地被搜尋到。

計算動詞決策樹在期貨交易中套用

在期貨和股票交易中，傳統決策樹的方法是對其價格的高低作為屬性的分類，如價格的可以分為高、中、低，或者是使用價格的區間作為屬性分類，這種價格的區分方法是很不夠精確，而若使用價格的精確數字就更加不可行，因為精確數字可以有無窮多個，在決策時不可能分為無窮種類型。但連續的數據之間的動態變化是有限的，比如兩個數據之間可以組成上升(increase)、下降(decrease)和保持(stay)。這樣價格就只有三種變化情況了，大大減少了傳統決策樹套用精確數字的分類維度，這種方法也就是對其處理數據的計算動詞化。