基于粗糙集的决策树学习算法研究
| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1章 绪论 | 第11-16页 |
| ·研究背景及意义 | 第11-12页 |
| ·研究历史及现状 | 第12-15页 |
| ·决策树理论历史与发展 | 第12-14页 |
| ·粗糙集与决策树技术结合的研究现状 | 第14-15页 |
| ·本文主要研究工作和组织结构 | 第15-16页 |
| 第2章 决策树算法的分析与比较 | 第16-29页 |
| ·决策树算法的基本理论 | 第16-17页 |
| ·决策树算法的主要过程 | 第17-18页 |
| ·决策树的生成过程 | 第17-18页 |
| ·决策树的使用过程 | 第18页 |
| ·决策树算法的主要研究内容 | 第18-22页 |
| ·数据预处理技术 | 第18-19页 |
| ·属性选取标准 | 第19页 |
| ·决策树修剪技术 | 第19-22页 |
| ·典型决策树算法的分析与比较 | 第22-26页 |
| ·基于信息熵的ID3 算法 | 第22-24页 |
| ·C4.5 算法 | 第24-25页 |
| ·预剪枝PUBLIC 算法 | 第25页 |
| ·处理大规模数据集SLIQ 算法 | 第25-26页 |
| ·决策树算法比较 | 第26页 |
| ·决策树评价标准 | 第26-28页 |
| ·小结 | 第28-29页 |
| 第3章 结合粗糙集理论的决策树学习算法研究 | 第29-41页 |
| ·粗糙集理论 | 第29-33页 |
| ·粗糙集基本概念 | 第29-32页 |
| ·粗糙集的特点 | 第32-33页 |
| ·粗糙集和决策树的数据挖掘算法设计 | 第33-36页 |
| ·基于决策协调度的决策树学习算法 | 第34页 |
| ·决策协调度定义 | 第34-35页 |
| ·算法实例对比 | 第35-36页 |
| ·基于粗糙集的决策树自主式学习算法 | 第36-40页 |
| ·自主式学习 | 第36-37页 |
| ·DTCC 算法 | 第37-38页 |
| ·算法运作过程示例 | 第38-40页 |
| ·小结 | 第40-41页 |
| 第4章 基于粗糙集的决策树增量式学习算法 | 第41-54页 |
| ·增量式学习 | 第41-43页 |
| ·增量ID4 算法 | 第42页 |
| ·增量ID5 算法 | 第42-43页 |
| ·DTICC 算法 | 第43-48页 |
| ·DTICC 算法描述 | 第43-45页 |
| ·DTICC 算法实例分析 | 第45-48页 |
| ·算法的复杂度比较 | 第48-53页 |
| ·DTCC 算法的费用 | 第48-49页 |
| ·DTICC 算法的费用 | 第49-52页 |
| ·DTCC 算法和 DTICC 算法复杂度比较 | 第52-53页 |
| ·小结 | 第53-54页 |
| 结束语 | 第54-56页 |
| 一、本文工作总结 | 第54页 |
| 二、工作展望 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 致谢 | 第59-60页 |
| 附录A 攻读学位期间所发表的学术论文 | 第60-61页 |
| 附录B 攻读学位期间参加的项目 | 第61页 |
