| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题的研究背景及意义 | 第10-11页 |
| 1.1.1 课题的研究背景 | 第10页 |
| 1.1.2 课题的意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 决策树的研究现状 | 第11-13页 |
| 1.2.2 增量学习技术研究现状 | 第13页 |
| 1.3 主要研究内容和预期研究结果 | 第13-15页 |
| 1.4 论文的组织 | 第15-16页 |
| 第2章 相关技术理论基础 | 第16-28页 |
| 2.1 决策树算法研究 | 第16-24页 |
| 2.1.1 决策树的基本概念 | 第16-18页 |
| 2.1.2 C4.5算法 | 第18-22页 |
| 2.1.3 ID5R算法 | 第22-24页 |
| 2.2 增量学习技术 | 第24-25页 |
| 2.3 本章小结 | 第25-28页 |
| 第3章 基于情报大数据的决策树算法 | 第28-40页 |
| 3.1 研究概述 | 第28-31页 |
| 3.2 问题的定义 | 第31-32页 |
| 3.3 NOLCDT算法 | 第32-38页 |
| 3.3.1 选择最好的结点进行分裂 | 第33-36页 |
| 3.3.2 停止树增长的条件 | 第36-38页 |
| 3.4 本章小结 | 第38-40页 |
| 第4章 决策树增量学习 | 第40-48页 |
| 4.1 研究概述 | 第40页 |
| 4.2 对增量学习方法的分析 | 第40-44页 |
| 4.2.1 增量决策树算法原理 | 第41-43页 |
| 4.2.2 信息熵差值的最值 | 第43-44页 |
| 4.3 增量决策树算法的使用分析 | 第44-45页 |
| 4.4 本章小结 | 第45-48页 |
| 第5章 实验及结果分析 | 第48-56页 |
| 5.1 实验数据集 | 第48-49页 |
| 5.2 实验平台及环境 | 第49页 |
| 5.3 实验结果及分析 | 第49-55页 |
| 5.3.1 实验一：NOLCDT算法与C4.5算法的对比实验 | 第50-53页 |
| 5.3.2 实验二：ID5R算法与IID5R算法的对比实验 | 第53-55页 |
| 5.4 本章小结 | 第55-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 致谢 | 第63页 |