数据挖掘决策树方法的研究与应用
| 第一章 概述 | 第1-13页 |
| 1．1 研究背景 | 第7-9页 |
| 1．2 数据挖掘的研究现状 | 第9-10页 |
| 1．3 数据挖掘的应用 | 第10-11页 |
| 1．4 本文的主要内容和成果 | 第11-12页 |
| 1．5 本文的组织结构 | 第12-13页 |
| 第二章 数据挖掘理论 | 第13-25页 |
| 2．1 知识发现 | 第13-16页 |
| 2．2 数据挖掘概念 | 第16-17页 |
| 2．3 数据挖掘的主要任务 | 第17-21页 |
| 2．3．1 数据总结 | 第17-18页 |
| 2．3．2 概念描述 | 第18页 |
| 2．3．3 分类 | 第18-19页 |
| 2．3．4 聚类 | 第19-20页 |
| 2．3．5 相关性分析 | 第20-21页 |
| 2．3．6 偏差分析 | 第21页 |
| 2．3．7 预测 | 第21页 |
| 2．4 数据挖掘的方法 | 第21-25页 |
| 2．4．1 信息论方法 | 第21-22页 |
| 2．4．2 集合论方法 | 第22-23页 |
| 2．4．3 仿生物技术 | 第23页 |
| 2．4．4 公式发现 | 第23页 |
| 2．4．5 统计分析方法 | 第23-24页 |
| 2．4．6 其他方法和技术 | 第24-25页 |
| 第三章 决策树方法 | 第25-42页 |
| 3．1 归纳学习 | 第25页 |
| 3．2 决策树介绍 | 第25-27页 |
| 3．3 ID3学习算法 | 第27-37页 |
| 3．3．1 信息论介绍 | 第27-28页 |
| 3．3．2 信息论在决策树学习中的意义及应用 | 第28-29页 |
| 3．3．3 ID3算法的基本思想 | 第29-30页 |
| 3．3．4 ID3算法描述 | 第30-31页 |
| 3．3．5 ID3算法实例 | 第31-35页 |
| 3．3．6 ID3多分类的简单探讨 | 第35-36页 |
| 3．3．7 ID3的优劣 | 第36页 |
| 3．3．8 ID3算法的发展 | 第36-37页 |
| 3．4 决策树的简化 | 第37-40页 |
| 3．5 决策树的优劣 | 第40-42页 |
| 第四章 基于ID3的优化算法 | 第42-54页 |
| 4．1 两次信息增益的优化算法 | 第42-44页 |
| 4．1．1 算法描述 | 第42-43页 |
| 4．1．2 样例测试 | 第43-44页 |
| 4．2 属性-值对优化算法 | 第44-46页 |
| 4．2．1 算法描述 | 第44-45页 |
| 4．2．2 样例测试 | 第45-46页 |
| 4．3 属性-值对的两次信息增益优化算法 | 第46-49页 |
| 4．3．1 算法描述 | 第46-48页 |
| 4．3．2 样例测试 | 第48-49页 |
| 4．4 实验及评价 | 第49-54页 |
| 第五章 结束语 | 第54-56页 |
| 5．1 本文总结 | 第54页 |
| 5．2 工作展望 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 致谢 | 第59页 |
