基于决策树的数据挖掘算法研究与应用
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-17页 |
| ·选题背景和意义 | 第9-11页 |
| ·国内外研究现状 | 第11-14页 |
| ·决策树算法研究发展方向 | 第14-15页 |
| ·本文的研究内容极其组织结构 | 第15-17页 |
| ·本文的研究内容 | 第15页 |
| ·本文的组织结构 | 第15-17页 |
| 第2章 决策树分类算法研究 | 第17-40页 |
| ·常见的几种分类算法 | 第19-22页 |
| ·贝叶斯方法 | 第19-20页 |
| ·神经网络 | 第20-21页 |
| ·支持矢量机 | 第21-22页 |
| ·决策树算法概述 | 第22-29页 |
| ·决策树的生成过程 | 第22-23页 |
| ·决策树的剪枝技术 | 第23-28页 |
| ·决策树的性能评价 | 第28-29页 |
| ·几种常见的决策树算法 | 第29-39页 |
| ·ID3算法 | 第29-34页 |
| ·C4.5算法 | 第34-36页 |
| ·CART算法 | 第36-39页 |
| ·本章小结 | 第39-40页 |
| 第3章 决策树中常见问题的分析 | 第40-53页 |
| ·决策树归纳学习的最优化问题 | 第40-41页 |
| ·连续属性值的处理 | 第41-42页 |
| ·属性值空缺的处理 | 第42-43页 |
| ·避免过度拟合训练数据 | 第43-47页 |
| ·如何处理增量数据集的问题 | 第47-50页 |
| ·增量决策树算法的基本原理 | 第47-49页 |
| ·增量决策树算法应用分析 | 第49-50页 |
| ·如何处理相关属性的问题 | 第50-52页 |
| ·本章小结 | 第52-53页 |
| 第4章 决策树算法的优化研究 | 第53-64页 |
| ·对属性值空缺的处理优化 | 第53-54页 |
| ·基于粗糙集理论的降维方法 | 第54-56页 |
| ·属性选择法则的优化 | 第56-60页 |
| ·优化的理论基础 | 第56-57页 |
| ·克服属性选择的多值偏向 | 第57-58页 |
| ·属性选择标准的改进 | 第58-60页 |
| ·实例验证 | 第60-63页 |
| ·本章小结 | 第63-64页 |
| 第5章 改进决策树算法在数据挖掘系统中的设计实现 | 第64-74页 |
| ·改进的决策树算法 | 第64-65页 |
| ·新算法的性能评价 | 第65-67页 |
| ·应用实例 | 第67-68页 |
| ·设计流程 | 第68页 |
| ·挖掘前的数据准备 | 第68-69页 |
| ·建立模型和解释结果 | 第69-70页 |
| ·挖掘结果在决策中的应用 | 第70-71页 |
| ·开发运行环境和执行界面 | 第71-73页 |
| ·开发运行环境 | 第71-72页 |
| ·决策树分类器的执行界面 | 第72-73页 |
| ·本章小结 | 第73-74页 |
| 第6章 总结与展望 | 第74-76页 |
| ·全文总结 | 第74页 |
| ·后续工作和研究前景 | 第74-76页 |
| 参考文献 | 第76-80页 |
| 致谢 | 第80-81页 |
| 攻读硕士学位期间发表的论文 | 第81页 |
