基于元学习的决策树分类算法研究
| 提要 | 第1-7页 |
| 第1章 绪论 | 第7-17页 |
| ·研究背景 | 第7页 |
| ·数据挖掘概述 | 第7-13页 |
| ·数据挖掘定义 | 第8页 |
| ·数据挖掘功能 | 第8-10页 |
| ·数据挖掘的完整过程 | 第10-11页 |
| ·数据挖掘系统发展与研究现状 | 第11-12页 |
| ·数据挖掘面临的问题 | 第12-13页 |
| ·分布式数据挖掘概述 | 第13-15页 |
| ·分布式数据挖掘系统分类 | 第13-14页 |
| ·分布式数据挖掘的特点 | 第14-15页 |
| ·面临的问题和发展趋势 | 第15页 |
| ·论文的主要工作 | 第15-17页 |
| 第2章 分类和决策树 | 第17-25页 |
| ·分类算法 | 第17-19页 |
| ·分类算法的任务描述 | 第17页 |
| ·分类算法的种类 | 第17-19页 |
| ·分类器评价标准 | 第19页 |
| ·决策树分类算法 | 第19-23页 |
| ·决策树分类思想 | 第19-20页 |
| ·熵 | 第20-21页 |
| ·外推有效、过度拟合和训练过度 | 第21-22页 |
| ·决策树算法的种类 | 第22页 |
| ·决策树优缺点 | 第22-23页 |
| ·分布式环境下决策树挖掘算法 | 第23-25页 |
| 第3章 SPRINT算法及其改进 | 第25-37页 |
| ·SPRINT算法 | 第25-29页 |
| ·SPRINT算法的基本思想 | 第25-26页 |
| ·SPRINT算法的数据结构 | 第26-27页 |
| ·寻找分裂属性及最佳分裂点 | 第27-29页 |
| ·SPRINT算法的改进 | 第29-32页 |
| ·改进思想 | 第29页 |
| ·举例说明 | 第29-31页 |
| ·改进算法描述 | 第31-32页 |
| ·算法复杂性分析 | 第32页 |
| ·实验结果及分析 | 第32-37页 |
| ·数据集及其特性 | 第33-34页 |
| ·实验结果及其比较 | 第34-37页 |
| 第4章 基于元学习的SPRINT算法研究 | 第37-47页 |
| ·SPRINT算法的并行性研究 | 第37-39页 |
| ·决策树的并行性探讨 | 第37页 |
| ·SPRINT算法的并行性 | 第37-39页 |
| ·元学习概述 | 第39-42页 |
| ·元学习基本过程 | 第40-41页 |
| ·元分类器度量标准 | 第41页 |
| ·元学习的优点 | 第41-42页 |
| ·基分类器输出的集成方法及算法 | 第42页 |
| ·基于元学习的SPRINT算法 | 第42-46页 |
| ·元学习的发展前景 | 第46-47页 |
| 第5章 结论 | 第47-48页 |
| 参考文献 | 第48-53页 |
| 硕士期间发表的论文 | 第53-54页 |
| 致谢 | 第54-55页 |
| 摘要 | 第55-58页 |
| ABSTRACT | 第58-61页 |
| 导师及作者简介 | 第61页 |
