| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究问题及意义 | 第12-13页 |
| 1.3 国内外研究现状 | 第13-17页 |
| 1.3.1 国外研究现状 | 第13-15页 |
| 1.3.2 国内研究现状 | 第15-16页 |
| 1.3.3 现有研究的缺陷 | 第16-17页 |
| 1.4 论文结构安排 | 第17-18页 |
| 第二章 研究方法 | 第18-22页 |
| 2.1 文献研究法 | 第18页 |
| 2.2 数理统计法 | 第18页 |
| 2.3 机器学习中的决策树分类法 | 第18-22页 |
| 2.3.1 机器学习 | 第18-19页 |
| 2.3.2 决策树基本概念 | 第19-20页 |
| 2.3.3 决策树的生成 | 第20页 |
| 2.3.4 决策树的剪枝 | 第20-21页 |
| 2.3.5 决策树的规则抽取 | 第21-22页 |
| 第三章 影响因素介绍及筛选 | 第22-38页 |
| 3.1 影响因素介绍 | 第22-27页 |
| 3.1.1 词汇难度 | 第22-25页 |
| 3.1.2 句子难度 | 第25-26页 |
| 3.1.3 文本语料整体难度(Total Words) | 第26页 |
| 3.1.4 预测难度等级(Prospecting Difficulty Level) | 第26-27页 |
| 3.2 文本量化工具 | 第27-35页 |
| 3.2.1 Range | 第27-29页 |
| 3.2.2 OpenNLP | 第29-32页 |
| 3.2.3 AntConc | 第32-35页 |
| 3.3 影响因素筛选 | 第35-38页 |
| 第四章 决策树模型建立 | 第38-53页 |
| 4.1 决策树算法原理 | 第38页 |
| 4.2 决策树的生成 | 第38-48页 |
| 4.2.1 训练数据集 | 第38-39页 |
| 4.2.2 模型建立工具RapidMiner | 第39-41页 |
| 4.2.3 建立模型所需的算子 | 第41-44页 |
| 4.2.4 决策树模型的生成过程 | 第44-48页 |
| 4.3 决策树的剪枝 | 第48-53页 |
| 4.3.1 剪枝数据集 | 第48页 |
| 4.3.2 剪枝所需的算子 | 第48-50页 |
| 4.3.3 流程建立及运行结果 | 第50-53页 |
| 第五章 决策树模型的测试及应用 | 第53-59页 |
| 5.1 测试数据集 | 第53-54页 |
| 5.2 测试过程及结果 | 第54-55页 |
| 5.3 应用分类 | 第55-59页 |
| 5.3.1 运用决策树模型进行分类预测 | 第55-56页 |
| 5.3.2 利用基于决策树产生的规则进行匹配 | 第56-59页 |
| 第六章 总结与展望 | 第59-62页 |
| 6.1 全文总结 | 第59-60页 |
| 6.2 工作展望 | 第60-62页 |
| 参考文献 | 第62-65页 |
| 攻读硕士学位期间个人成果 | 第65-66页 |
| 致谢 | 第66页 |