| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 插图索引 | 第10-11页 |
| 表格索引 | 第11-12页 |
| 第1章 绪论 | 第12-19页 |
| ·论文背景 | 第12-14页 |
| ·国内外研究现状及进展 | 第14-16页 |
| ·课题来源及意义 | 第16-17页 |
| ·研究内容 | 第17-18页 |
| ·论文结构 | 第18-19页 |
| 第2章 相关知识 | 第19-37页 |
| ·数据挖掘技术 | 第19-21页 |
| ·数据挖掘的定义 | 第19-21页 |
| ·数据挖掘的对象 | 第21页 |
| ·数据挖掘的分类 | 第21-23页 |
| ·关联分析(Association Analysis） | 第21页 |
| ·聚类分析(Clustering） | 第21-22页 |
| ·分类(Classification） | 第22页 |
| ·预测(Predication） | 第22页 |
| ·时序模式(Time.Series Pattern） | 第22页 |
| ·偏差分析(Deviation） | 第22-23页 |
| ·数据挖掘的过程 | 第23-24页 |
| ·数据挖掘的方法和技术 | 第24-26页 |
| ·归纳学习法 | 第24-25页 |
| ·聚类方法 | 第25页 |
| ·统计分析方法 | 第25页 |
| ·仿生物技术 | 第25页 |
| ·可视化技术 | 第25-26页 |
| ·模糊数学方法 | 第26页 |
| ·其它方法 | 第26页 |
| ·数据挖掘的应用领域 | 第26-27页 |
| ·决策树分类方法 | 第27-33页 |
| ·决策树算法的发展 | 第27-29页 |
| ·决策树类型与生成过程 | 第29-30页 |
| ·剪枝 | 第30-31页 |
| ·分类模型的评估方法 | 第31-32页 |
| ·决策树评价指标 | 第32-33页 |
| ·典型的决策树算法—ID3 算法 | 第33-36页 |
| ·本文采用的数据挖掘方法 | 第36页 |
| ·本章小结 | 第36-37页 |
| 第3章 一种改进的C4.5 算法 | 第37-53页 |
| ·C4.5 算法 | 第37-39页 |
| ·C4.5 如何估算错分率进行剪枝 | 第39-40页 |
| ·C4.5 算法的应用举例 | 第40-46页 |
| ·C4.5 决策树算法改进的原理 | 第46-50页 |
| ·信息熵的简化 | 第46-47页 |
| ·改进的C4.5 算法 | 第47-48页 |
| ·改进的C4.5 算法应用 | 第48-50页 |
| ·实验结果分析 | 第50-52页 |
| ·生成的决策树分析 | 第50页 |
| ·性能分析 | 第50-52页 |
| ·本章小结 | 第52-53页 |
| 第4章 学生成绩分析系统的设计 | 第53-65页 |
| ·高职院校成绩分析的研究内容 | 第53-54页 |
| ·现有成绩分析的不足 | 第54-55页 |
| ·学生成绩分析系统设计 | 第55-63页 |
| ·解决方案 | 第55-57页 |
| ·系统总体框架设计 | 第57-58页 |
| ·数据库设计 | 第58页 |
| ·数据预处理 | 第58-63页 |
| ·编程环境 | 第63-64页 |
| ·本章小结 | 第64-65页 |
| 第5章 改进的C4.5算法在学生成绩分析系统的应用 | 第65-70页 |
| ·基于相关性属性决策算法生成决策树模型 | 第65-67页 |
| ·所学课程之间关系的求解 | 第67-68页 |
| ·相关性研究对教育的指导意义 | 第68-69页 |
| ·本章小结 | 第69-70页 |
| 结论与展望 | 第70-72页 |
| 总结 | 第70-71页 |
| 展望 | 第71-72页 |
| 参考文献 | 第72-75页 |
| 攻读硕士学位期间发表的论文 | 第75-76页 |
| 致谢 | 第76页 |
