| 第一章 KDD综述 | 第1-24页 |
| 1．1 数据挖掘的产生 | 第12-13页 |
| 1．2 数据挖掘和 KDD | 第13-14页 |
| 1．3 数据库中知识发现 | 第14-17页 |
| 1．3．1 KDD的定义 | 第14-15页 |
| 1．3．2 KDD中数据的特点 | 第15-16页 |
| 1．3．3 KDD的处理过程模型 | 第16-17页 |
| 1．4 数据挖掘 | 第17-22页 |
| 1．4．1 数据挖掘的定义 | 第17页 |
| 1．4．2 数据挖掘的对象 | 第17-18页 |
| 1．4．3 数据挖掘发现的模式 | 第18-19页 |
| 1．4．4 数据挖掘的方法 | 第19-21页 |
| 1．4．5 数据挖掘面临的挑战 | 第21-22页 |
| 1．5 本文的组织 | 第22-24页 |
| 第二章 决策树方法 | 第24-35页 |
| 2．1 决策树分类的基本原理 | 第24-26页 |
| 2．2 决策树分类方法的发展过程~[6] | 第26-29页 |
| 2．2．1 以吉尼指标为基础的分类方法 | 第26-27页 |
| 2．2．2 以信息嫡为基础的分类方法 | 第27-28页 |
| 2．2．4 处理大数据集的分类方法 | 第28页 |
| 2．2．5 多决策树的分类方法 | 第28-29页 |
| 2．3 ID3决策树算法 | 第29-33页 |
| 2．3．1 ID3决策树算法原理 | 第29-31页 |
| 2．3．2 ID3决策树算法实例分析 | 第31-33页 |
| 2．4 关于I03算法的相关研究内容 | 第33-34页 |
| 2．5 本章小结 | 第34-35页 |
| 第三章 粗糙集理论 | 第35-41页 |
| 3．1 粗糙集理论的特点 | 第35页 |
| 3．2 粗糙集理论的基本概念 | 第35-38页 |
| 3．3 决策表的约简 | 第38-40页 |
| 3．4 本章小结 | 第40-41页 |
| 第四章 一种结合粗糙集和信息论的决策树构造算法 | 第41-48页 |
| 4．1 问题的背景 | 第41-42页 |
| 4．1．1 简述 | 第41页 |
| 4．1．2 构造多变量检验 | 第41-42页 |
| 4．2 算法的设计思想 | 第42-47页 |
| 4．2．1 决策表的约简算法 | 第42-43页 |
| 4．2．2 多变量决策树的构造算法 | 第43-44页 |
| 4．2．3 与其它决策树方法的比较 | 第44-47页 |
| 4．3 本章小结 | 第47-48页 |
| 第五章 KDD原型系统的实现与应用 | 第48-56页 |
| 5．1 KDD系统分析与设计 | 第48-49页 |
| 5．1．1 KDD系统的设计目标 | 第48页 |
| 5．1．2 KDD原型系统的构成 | 第48-49页 |
| 5．2 KDD原型系统的实现及应用 | 第49-55页 |
| 5．2．1 KDD原型系统的实现 | 第49-50页 |
| 5．2．2 KDD原型系统的应用过程 | 第50-55页 |
| 5．3 本章小结 | 第55-56页 |
| 第六章 总结 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间发表的论文 | 第62-63页 |
| 附录一 应用 KDD系统对所选医学数据进行预处理的过程 | 第63-66页 |
| 附录二 对预处理后的医学数据进行分类的过程 | 第66-69页 |
| 附录三 提取决策规则 | 第69页 |