结合K-means的C4.5算法优化研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 引言 | 第6-13页 |
| 1.1 研究背景及其意义 | 第6-7页 |
| 1.2 国内外研究现状 | 第7-10页 |
| 1.2.1 决策树算法的研究现状 | 第7-8页 |
| 1.2.2 C4.5算法的研究现状 | 第8-10页 |
| 1.3 主要研究内容 | 第10-11页 |
| 1.4 组织结构 | 第11-13页 |
| 2 相关算法及技术 | 第13-25页 |
| 2.1 数据挖掘技术 | 第13-14页 |
| 2.2 决策树 | 第14-19页 |
| 2.2.1 基本知识 | 第14-15页 |
| 2.2.2 相关算法 | 第15-19页 |
| 2.3 K-means算法 | 第19-20页 |
| 2.4 Python语言 | 第20-21页 |
| 2.5 分类准确率衡量指标 | 第21-24页 |
| 2.5.1 常见的评估度量 | 第21-22页 |
| 2.5.2 保持方法 | 第22-23页 |
| 2.5.3 交叉验证法 | 第23页 |
| 2.5.4 自助法 | 第23-24页 |
| 2.6 本章小结 | 第24-25页 |
| 3 C4.5算法改进 | 第25-31页 |
| 3.1 AK-means算法设计 | 第25-27页 |
| 3.2 DK-means算法设计 | 第27-28页 |
| 3.3 DAK-C4.5算法设计 | 第28-30页 |
| 3.4 本章小结 | 第30-31页 |
| 4 实验分析 | 第31-39页 |
| 4.1 实验环境 | 第31页 |
| 4.2 实验数据集 | 第31-32页 |
| 4.3 分类准确率衡量指标 | 第32页 |
| 4.4 K-means实验分析 | 第32-35页 |
| 4.5 DAK-C4.5实验分析 | 第35-38页 |
| 4.6 本章小结 | 第38-39页 |
| 5 总结与展望 | 第39-41页 |
| 5.1 总结 | 第39页 |
| 5.2 展望 | 第39-41页 |
| 参考文献 | 第41-45页 |
| 致谢 | 第45页 |
