| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第1章 绪论 | 第8-11页 |
| ·研究背景 | 第8-9页 |
| ·研究现状 | 第9页 |
| ·研究日标 | 第9-10页 |
| ·论文结构 | 第10-11页 |
| 第2章 决策树学习 | 第11-17页 |
| ·决策树学习的基本概念 | 第11页 |
| ·决策树的表示方法 | 第11-12页 |
| ·ID3决策树算法思想 | 第12-15页 |
| ·模糊决策树学习算法 | 第15-17页 |
| 第3章 增量决策树 | 第17-23页 |
| ·增量决策树的概述 | 第17-18页 |
| ·增量决策树的算法 | 第18-21页 |
| ·ID4算法 | 第18-19页 |
| ·ID5R算法 | 第19-21页 |
| ·ID算法系列的比较分析 | 第21-23页 |
| 第4章 具有样例挑选策略的学习算法 | 第23-26页 |
| ·样例挑选概述 | 第23-24页 |
| ·常见的样例挑选算法 | 第24-26页 |
| ·主动学习算法 | 第24页 |
| ·IBL算法系列 | 第24-25页 |
| ·其他样例挑选算法 | 第25-26页 |
| 第5章 模糊决策树中基于样例测试结果最大熵的样例挑选算法 | 第26-38页 |
| ·算法的基本思想 | 第26-27页 |
| ·理论分析框架 | 第27-29页 |
| ·理论分析过程 | 第29-35页 |
| ·P_(ij)的变化和子结点熵的变化之间的关系 | 第29-30页 |
| ·样例性质分析 | 第30页 |
| ·新来样例加入决策树后对P_(ij)的影响 | 第30-33页 |
| ·样例测试结果熵与决策树的熵之间的关系 | 第33-34页 |
| ·一个问题的思考 | 第34-35页 |
| ·从数据分布角度分析 | 第35页 |
| ·实验及结果分析 | 第35-38页 |
| 第6章 结束语 | 第38-39页 |
| 参考文献 | 第39-41页 |
| 攻读硕士学位期间科研工作情况 | 第41-42页 |
| 致谢 | 第42页 |