| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-14页 |
| ·应用背景及理论实现意义 | 第9-11页 |
| ·国内外研究现状与发展动态 | 第11-13页 |
| ·本文研究内容与组织结构 | 第13-14页 |
| 第2章 决策树分类算法 | 第14-30页 |
| ·决策树方法介绍 | 第14-19页 |
| ·决策树的表示 | 第14-15页 |
| ·决策树分类算法的学习过程 | 第15-17页 |
| ·决策树适用的问题 | 第17-18页 |
| ·决策树的评价标准 | 第18-19页 |
| ·基于信息论的ID3算法 | 第19-25页 |
| ·信息论在ID3算法中的应用 | 第19-21页 |
| ·ID3算法的基本原理 | 第21-23页 |
| ·ID3算法描述 | 第23-24页 |
| ·ID3算法的评价 | 第24-25页 |
| ·决策树归纳的扩展 | 第25-29页 |
| ·决策树算法分析总结 | 第29-30页 |
| 第3章 决策树学习中常见问题的分析 | 第30-43页 |
| ·决策树模型的建立 | 第30-35页 |
| ·根据ID3算法生成决策树 | 第30-33页 |
| ·决策树分类规则的提取 | 第33页 |
| ·MID3二元决策树 | 第33-35页 |
| ·决策树归纳学习的最优化问题 | 第35-36页 |
| ·连续属性值的处理 | 第36-37页 |
| ·属性值空缺的处理 | 第37-38页 |
| ·避免过度拟合训练数据 | 第38-43页 |
| ·噪声与过度拟合 | 第38-41页 |
| ·避免过度拟合的方法 | 第41-43页 |
| 第4章 决策树剪枝与优化 | 第43-59页 |
| ·决策树后剪枝方法 | 第43-51页 |
| ·REP(Reduced Error Pruning)方法 | 第43-44页 |
| ·PEP(Pessimistic Error Pruning)方法 | 第44-46页 |
| ·MEP(Minimum Error Pruning)方法 | 第46-47页 |
| ·CCP(Cost-Complexity Pruning)方法 | 第47-49页 |
| ·后剪枝方法归纳比较 | 第49-50页 |
| ·其他的后剪枝方法简介 | 第50-51页 |
| ·实验分析 | 第51-55页 |
| ·实验步骤说明与实验结果 | 第52-53页 |
| ·实验数据分析 | 第53-55页 |
| ·决策树优化 | 第55-59页 |
| ·决策树优化的动机 | 第55-56页 |
| ·决策树优化方法简介 | 第56-59页 |
| 第5章 总结与展望 | 第59-61页 |
| ·本文总结 | 第59页 |
| ·进一步的工作 | 第59-61页 |
| 参考文献 | 第61-64页 |
| 致谢 | 第64-65页 |
| 附录 | 第65-70页 |
| 攻读硕士期间发表的论文 | 第70页 |
