| 1 概述 | 第1-11页 |
| ·研究背景 | 第7-8页 |
| ·数据挖掘和决策树的最新动态和发展趋势 | 第8-10页 |
| ·本文的主要研究内容 | 第10-11页 |
| 2 数据挖掘基本理论 | 第11-20页 |
| ·数据挖掘的定义 | 第11页 |
| ·数据挖掘的数据来源 | 第11-12页 |
| ·数据挖掘的分类 | 第12-13页 |
| ·数据挖掘的步骤 | 第13-14页 |
| ·数据挖掘的方法 | 第14-17页 |
| ·分类分析 | 第14-15页 |
| ·聚类分析 | 第15-16页 |
| ·关联分析 | 第16-17页 |
| ·数据挖掘的应用 | 第17-18页 |
| ·数据挖掘所面临的挑战 | 第18-20页 |
| 3 数据分类中的决策树算法概述 | 第20-27页 |
| ·数据分类 | 第20页 |
| ·数据分类的标准 | 第20-21页 |
| ·决策树分类算法 | 第21-24页 |
| ·决策树生成算法 | 第22-23页 |
| ·决策树修剪 | 第23-24页 |
| ·决策树的评价指标 | 第24-25页 |
| ·决策树的简化方法 | 第25-26页 |
| ·决策树算法的小结 | 第26-27页 |
| 4 决策树ID3 算法详述 | 第27-40页 |
| ·CLS(概念学习系统)学习算法 | 第27-28页 |
| ·信息论原理在ID3 算法中的应用 | 第28-30页 |
| ·信息论的概述与熵的引入 | 第28-30页 |
| ·决策树ID3 算法 | 第30-36页 |
| ·基本定义 | 第30页 |
| ·ID3 算法描述 | 第30-31页 |
| ·ID3 算法实例 | 第31-35页 |
| ·ID3 算法优劣 | 第35-36页 |
| ·改进ID3 算法简介 | 第36-39页 |
| ·ID3 算法总结 | 第39-40页 |
| 5 基于决策树ID3 算法的优化算法 | 第40-48页 |
| ·ID3 算法存在的两大主要弊端及初步解决办法 | 第40-43页 |
| ·ID3 算法的改进二叉树算法 | 第43-45页 |
| ·举例测试 | 第44-45页 |
| ·MID3 二叉树优化算法 | 第45-47页 |
| ·举例测试 | 第46-47页 |
| ·比较与评价 | 第47-48页 |
| 6 优化算法的面向对象实现及其在物资设备决策系统中的应用 | 第48-64页 |
| ·ID3 算法及其优化算法的面向对象设计与实现 | 第48-49页 |
| ·数据挖掘学习系统的构建 | 第49-54页 |
| ·学习系统的分析 | 第49-50页 |
| ·编程工具的选择 | 第50页 |
| ·学习系统流程图 | 第50-51页 |
| ·学习系统设计中要解决的几个问题 | 第51-54页 |
| ·物资设备决策系统描述 | 第54-56页 |
| ·系统概述 | 第54-55页 |
| ·设备模块需求分析 | 第55页 |
| ·设备模块功能 | 第55-56页 |
| ·数据挖掘步骤规范 | 第56页 |
| ·物资设备系统数据挖掘流程及决策树算法的应用 | 第56-64页 |
| ·定义问题 | 第56-57页 |
| ·建立数据挖掘库 | 第57-58页 |
| ·数据收集和数据选择 | 第58-59页 |
| ·建立模型与结果解释 | 第59-60页 |
| ·具体操作流程 | 第60-63页 |
| ·测试模型 | 第63-64页 |
| 7 结论 | 第64-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-68页 |
| 附录 | 第68-69页 |
| 详细摘要 | 第69-81页 |