决策树分类优化算法的研究
| 摘要 | 第1-7页 |
| Abstract | 第7-8页 |
| 目录 | 第8-11页 |
| 第1章 前言 | 第11-19页 |
| ·研究背景及意义 | 第11-12页 |
| ·国内外研究现状 | 第12-17页 |
| ·本文的主要研究内容 | 第17页 |
| ·本文的组织结构 | 第17-19页 |
| 第二章 数据挖掘与决策树相关技术 | 第19-37页 |
| ·数据挖掘的基础理论知识 | 第19-22页 |
| ·数据挖掘的概念 | 第19页 |
| ·数据挖掘的特点 | 第19-20页 |
| ·数据挖掘的过程 | 第20-21页 |
| ·数据挖掘的任务 | 第21-22页 |
| ·数据挖掘的常用算法 | 第22-27页 |
| ·神经网络(NN) | 第22-23页 |
| ·决策树 | 第23-24页 |
| ·基因算法 | 第24-25页 |
| ·贝叶斯网络算法 | 第25页 |
| ·粗糙集方法 | 第25-26页 |
| ·支持向量机方法 | 第26页 |
| ·其他数据挖掘方法 | 第26-27页 |
| ·数据挖掘常用软件 | 第27-28页 |
| ·决策树核心技术 | 第28-31页 |
| ·属性约简技术 | 第30页 |
| ·属性选择技术 | 第30页 |
| ·决策树剪枝技术 | 第30-31页 |
| ·决策树常用算法 | 第31-36页 |
| ·CLS算法 | 第31-32页 |
| ·C4.5算法 | 第32-34页 |
| ·SLIQ算法 | 第34-35页 |
| ·其他决策树算法 | 第35页 |
| ·决策树算法小结 | 第35-36页 |
| ·本章小结 | 第36-37页 |
| 第三章 基于信息熵的分类算法研究 | 第37-52页 |
| ·信息论原理 | 第37-39页 |
| ·信息论基本概念 | 第37页 |
| ·信息熵和条件熵的概念 | 第37-39页 |
| ·互信息和信息增益 | 第39页 |
| ·基于信息熵分类算法的基础知识 | 第39-45页 |
| ·算法的基本思想 | 第39-40页 |
| ·ID3建树算法描述 | 第40-41页 |
| ·ID3建树算法的伪代码 | 第41-42页 |
| ·算法实例应用分析 | 第42-45页 |
| ·算法分析及总结 | 第45-46页 |
| ·算法的性能分析 | 第45页 |
| ·算法的优缺点 | 第45-46页 |
| ·常见的测试属性选择方法 | 第46-50页 |
| ·信息增益比例法 | 第46-47页 |
| ·Gini指数法 | 第47-48页 |
| ·用户兴趣度法 | 第48-49页 |
| ·关联度函数法 | 第49-50页 |
| ·ID3算法的改进思路 | 第50-51页 |
| ·算法的改进方法 | 第50-51页 |
| ·本章小结 | 第51-52页 |
| 第4章 决策树ID3算法的改进 | 第52-61页 |
| ·算法的计算简化 | 第52-56页 |
| ·泰勒公式及麦克劳林公式介绍 | 第52页 |
| ·简化算法的理论描述 | 第52-54页 |
| ·简化算法的实例分析 | 第54-56页 |
| ·信息增益的修正 | 第56-60页 |
| ·多值偏向的理论分析 | 第56页 |
| ·信息熵的改进 | 第56-58页 |
| ·时间复杂度分析 | 第58-59页 |
| ·改进后ID3算法的实例分析 | 第59-60页 |
| ·本章小结 | 第60-61页 |
| 第5章 算法仿真实验与应用 | 第61-78页 |
| ·算法实验准备 | 第61页 |
| ·实验环境 | 第61页 |
| ·实验数据准备 | 第61-65页 |
| ·ARFF格式文件的相关知识 | 第62-64页 |
| ·数据预处理 | 第64-65页 |
| ·实验内容 | 第65-73页 |
| ·实验结果分析 | 第65-69页 |
| ·算法的性能比较 | 第69-73页 |
| ·改进后算法在数据库挖掘中的应用 | 第73-77页 |
| ·数据准备 | 第74-75页 |
| ·挖掘结果及性能分析 | 第75-77页 |
| ·本章小结 | 第77-78页 |
| 总结与展望 | 第78-79页 |
| 致谢 | 第79-80页 |
| 参考文献 | 第80-84页 |
| 攻读硕士学位期间发表的论文 | 第84页 |
