人工神经网络和决策树进行数据分类的对比研究
| 第1章 研究目的 | 第1-12页 |
| ·引言 | 第9页 |
| ·课题背景 | 第9页 |
| ·研究内容 | 第9-10页 |
| ·研究意义 | 第10页 |
| ·论文组织 | 第10-12页 |
| 第2章 数据挖掘的介绍 | 第12-24页 |
| ·概述 | 第12-13页 |
| ·知识发现的步骤 | 第13-15页 |
| ·数据挖掘的任务 | 第15-17页 |
| ·方法和工具 | 第17-19页 |
| ·分类方法 | 第19-21页 |
| ·决策树分类器 | 第20页 |
| ·选择树分类器 | 第20-21页 |
| ·证据分类器 | 第21页 |
| ·分类器的准确度评估方法 | 第21-24页 |
| ·影响一个分类器错误率的因素 | 第21-22页 |
| ·评估方法 | 第22-24页 |
| 第3章 决策树算法应用于数据分类 | 第24-28页 |
| ·概述 | 第24页 |
| ·决策树是如何工作的 | 第24-25页 |
| ·修剪树算法 | 第25页 |
| ·决策树分类的实例 | 第25-28页 |
| 第4章 人工神经网络 | 第28-54页 |
| ·什么是人工神经网络 | 第28-30页 |
| ·人工神经网络的特性 | 第30-34页 |
| ·组成要素 | 第30页 |
| ·学习能力 | 第30-31页 |
| ·泛化能力 | 第31页 |
| ·信息分布存放 | 第31页 |
| ·适用性问题 | 第31-32页 |
| ·性质 | 第32-34页 |
| ·人工神经网络的定义 | 第34-38页 |
| ·将人工神经网络看作一种自适应系统的定义 | 第34页 |
| ·Hecht Nielsen定义 | 第34页 |
| ·Simpson定义 | 第34-35页 |
| ·Mason定义 | 第35-38页 |
| ·人工神经元模型 | 第38-43页 |
| ·基本元素 | 第38-40页 |
| ·激活函数 | 第40-43页 |
| ·网络结构 | 第43-45页 |
| ·学习和训练 | 第45-48页 |
| ·无导师学习 | 第46页 |
| ·有导师学习 | 第46-48页 |
| ·单层感知器模型 | 第48页 |
| ·多层感知器模型 | 第48-54页 |
| ·反向传播算法 | 第49-51页 |
| ·多层感知器特点 | 第51-54页 |
| 第5章 优化BP人工神经网络用于数据分类研究试验 | 第54-59页 |
| ·一般的人工神经网络分类模型 | 第54-55页 |
| ·分类模型的改进 | 第55-57页 |
| ·一般人工神经网络分类模型的不足 | 第55页 |
| ·模型的改进 | 第55-57页 |
| ·分类研究实例 | 第57-59页 |
| 第6章 总结 | 第59-60页 |
| 攻读学位期间公开发表的论文 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 研究生履历 | 第65页 |
