代价敏感决策树构建方法的研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-17页 |
| 1.2.1 决策树算法研究现状 | 第11-14页 |
| 1.2.2 代价敏感学习研究现状 | 第14-15页 |
| 1.2.3 代价敏感决策树算法研究现状 | 第15-16页 |
| 1.2.4 剪枝方法研究现状 | 第16-17页 |
| 1.3 研究内容及论文组织结构 | 第17-20页 |
| 第2章 相关背景知识介绍 | 第20-32页 |
| 2.1 数据挖掘理论概述 | 第20-23页 |
| 2.1.1 数据挖掘的主要任务 | 第20-21页 |
| 2.1.2 数据挖掘的过程 | 第21-22页 |
| 2.1.3 数据挖掘的方法及常见算法 | 第22-23页 |
| 2.2 决策树理论 | 第23-26页 |
| 2.2.1 决策树相关的基本概念 | 第23-24页 |
| 2.2.2 常见的决策树算法介绍 | 第24-26页 |
| 2.3 代价敏感学习理论 | 第26-28页 |
| 2.3.1 分类代价的定义 | 第26页 |
| 2.3.2 常见的代价敏感决策树算法 | 第26-27页 |
| 2.3.3 分类模型的评价指标 | 第27-28页 |
| 2.4 常见剪枝算法简介 | 第28-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 启发函数的优化方法 | 第32-39页 |
| 3.1 引言 | 第32页 |
| 3.2 CS-C4.5算法 | 第32-33页 |
| 3.2.1 启发函数 | 第33页 |
| 3.2.2 切分点选择机制 | 第33页 |
| 3.3 启发函数的优化 | 第33-34页 |
| 3.3.1 信息增益率 | 第34页 |
| 3.3.2 优化后的启发函数 | 第34页 |
| 3.4 自适应确定参数机制 | 第34-35页 |
| 3.5 实验与分析 | 第35-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第4章 概率剪枝的优化方法 | 第39-48页 |
| 4.1 引言 | 第39页 |
| 4.2 代价变化率的概念 | 第39-40页 |
| 4.3 优化后的概率剪枝机制 | 第40-43页 |
| 4.4 实验与分析 | 第43-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第5章 基于两种自适应机制的代价敏感决策树算法 | 第48-59页 |
| 5.1 引言 | 第48页 |
| 5.2 自适应机制的引入 | 第48-50页 |
| 5.2.1 自适应选择切分点机制 | 第48-50页 |
| 5.2.2 自适应删除属性机制 | 第50页 |
| 5.3 优化后的代价敏感决策树算法 | 第50-53页 |
| 5.4 实验与分析 | 第53-58页 |
| 5.5 本章小结 | 第58-59页 |
| 第6章 总结与展望 | 第59-61页 |
| 6.1 总结 | 第59-60页 |
| 6.2 未来展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 攻读学位期间公开发表的论文 | 第65-66页 |
| 致谢 | 第66页 |
