基于最大Margin的决策树归纳

摘要	第1-5页
Abstract	第5-8页
第1章 绪论	第8-11页
·课题背景及意义	第8-9页
·研究状况	第9-10页
·支持向量机	第9页
·决策树	第9-10页
·本文主要研究内容	第10-11页
第2章 支持向量机基本问题及其求解	第11-27页
·支持向量机的理论基础	第11-17页
·机器学习问题的表示	第11-12页
·经验风险最小化	第12-13页
·复杂性与推广能力	第13页
·统计学习理论的核心内容	第13-17页
·支持向量机	第17-23页
·线性硬间隔分类机	第17-19页
·线性软间隔分类机	第19-20页
·非线性硬间隔分类机	第20-22页
·非线性软间隔分类机	第22-23页
·支持向量机求解	第23-27页
·通用方法简介	第24-25页
·序贯最小优化算法(SMO)	第25-27页
第3章 支持向量机反问题及其求解	第27-33页
·支持向量机反问题描述	第27页
·支持向量机反问题求解	第27-33页
·聚类算法	第28-31页
·基于聚类的SVM反问题求解算法	第31-33页
第4章 基于最大margin的决策树归纳	第33-39页
·基于熵的决策树归纳	第33-35页
·ID3算法	第33-34页
·二叉决策树算法	第34-35页
·基于最大MARGIN的决策树归纳算法	第35-39页
·背景	第35页
·算法设计	第35-36页
·实验	第36-39页
第5章 结束语	第39-40页
·总结	第39页
·展望	第39-40页
参考文献	第40-42页
攻读硕士学位期间撰写的论文	第42-43页
致谢	第43页