| 第一章 绪论 | 第1-17页 |
| 1．1 本课题的研究背景及研究意义 | 第8-10页 |
| 1．2 KDD的发展历史及国内外研究动态 | 第10-14页 |
| 1．3 KDD的应用概况 | 第14-16页 |
| 1．4 本文的主要研究内容与组织 | 第16-17页 |
| 第二章 分类和分类模型的准确性 | 第17-24页 |
| 2．1 分类的概念 | 第17-18页 |
| 2．2 分类的算法 | 第18页 |
| 2．3 评估分类模型准确性的方法 | 第18-23页 |
| 2．3．1 提升图和累积增加图 | 第20-23页 |
| 2．3．1．1 提升图的表示方法 | 第20-22页 |
| 2．3．1．2 累积增加图的表示方法 | 第22-23页 |
| 2．4 本章小结 | 第23-24页 |
| 第三章 决策树算法的主要过程：建树与剪树 | 第24-35页 |
| 3．1 举例说明用决策树进行分类 | 第24-25页 |
| 3．2 决策树分类的基本生成算法 | 第25-26页 |
| 3．3 选择划分属性的统计度量方法 | 第26-28页 |
| 3．3．1 信息增益 | 第26-27页 |
| 3．3．2 基尼指数 | 第27-28页 |
| 3．3．3 用数值型属性划分节点的方法 | 第28页 |
| 3．4 基于误差估计的剪枝算法 | 第28-30页 |
| 3．5 决策树分类的可伸缩性算法 | 第30-34页 |
| 3．5．1 微软决策树算法 | 第30-33页 |
| 3．5．2 微软决策树剪枝算法 | 第33-34页 |
| 3．6 本章小结 | 第34-35页 |
| 第四章 数据挖掘与数据库的耦合 | 第35-44页 |
| 4．1 数据挖掘与数据库的耦合方式 | 第35-36页 |
| 4．2 OLE DB for Data Mining | 第36-43页 |
| 4．2．1 OLE DB for DM的特点 | 第36-38页 |
| 4．2．2 OLE DB for DM中的数据挖掘模型对象 | 第38-39页 |
| 4．2．3 OLE DB for DM中的数据挖掘语句 | 第39-43页 |
| 4．2．3．1 创建挖掘模型对象 | 第39-40页 |
| 4．2．3．2 装入训练数据，启用挖掘算法 | 第40-41页 |
| 4．2．3．3 查询挖掘模型内容 | 第41页 |
| 4．2．3．4 预测操作PREDICTION JOIN | 第41-43页 |
| 4．3 本章小结 | 第43-44页 |
| 第五章 用OLE DB for Data Mining开发决策树应用程序 | 第44-54页 |
| 5．1 应用程序的体系结构 | 第44-45页 |
| 5．2 开发决策树分类预测应用程序 | 第45-53页 |
| 5．2．1 选定决策树分类算法 | 第46页 |
| 5．2．2 确定数据源，建立分析服务器与数据库的连接 | 第46页 |
| 5．2．3 在分析服务器端建立决策树分类模型 | 第46页 |
| 5．2．4 建立客户端应用程序访问决策树分类模型 | 第46-53页 |
| 5．2．4．1 建立应用程序与分析服务器的连接 | 第47页 |
| 5．2．4．2 获取分类规则 | 第47-49页 |
| 5．2．4．3 利用挖掘模型进行预测 | 第49-53页 |
| 5．3 本章小结 | 第53-54页 |
| 第六章 结论与展望 | 第54-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-62页 |
