| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-11页 |
| ·课题的背景和意义 | 第8-9页 |
| ·课题的背景及可行性分析 | 第8页 |
| ·本课题的目的和意义 | 第8-9页 |
| ·论文研究的主要思路 | 第9页 |
| ·论文的结构 | 第9-10页 |
| 本章小结 | 第10-11页 |
| 第二章 决策树分类算法综述 | 第11-25页 |
| ·分类算法 | 第11-14页 |
| ·决策树(decision tree)分类算法 | 第11-12页 |
| ·贝叶斯(Beyes)分类算法 | 第12-13页 |
| ·粗糙集(Rough Set)分类算法 | 第13-14页 |
| ·人工神经网络(Artificial Neural Network.ANN)分类算法 | 第14页 |
| ·决策树(decision tree)分类算法典型算法分析 | 第14-19页 |
| ·ID3 算法 | 第14-15页 |
| ·C4.5 算法 | 第15-16页 |
| ·SLIQ 算法与SPRINT 算法 | 第16-17页 |
| ·CHAID 算法 | 第17页 |
| ·CART 算法 | 第17-18页 |
| ·雨林(RainForest)算法 | 第18页 |
| ·PUBLIC 算法 | 第18-19页 |
| ·BOTA 算法 | 第19页 |
| ·决策树分类算法的主要进展 | 第19-23页 |
| ·数据预处理 | 第19-21页 |
| ·多决策树综合技术 | 第21页 |
| ·决策树的增量学习 | 第21-22页 |
| ·并行机制 | 第22-23页 |
| ·决策树应用 | 第23-24页 |
| ·总结与展望 | 第24页 |
| 本章小结 | 第24-25页 |
| 第三章 基于抽样的C4.5 算法的研究 | 第25-32页 |
| ·抽样的方法 | 第25-26页 |
| ·样本量 | 第26页 |
| ·基于抽样的决策树C4.5 算法 | 第26-29页 |
| ·基本思想 | 第26页 |
| ·确定抽样的初始样本量 | 第26-27页 |
| ·确定抽样的进度 | 第27-28页 |
| ·确定抽样的终止条件 | 第28-29页 |
| ·基于抽样的决策树算法描述 | 第29页 |
| ·试验结果 | 第29-31页 |
| 本章小结 | 第31-32页 |
| 第四章 决策树分类算法的应用 | 第32-50页 |
| ·决策树分类算法在钢铁企业生产成本关键工序分析中的应用 | 第32-41页 |
| ·钢铁企业生产成本工序维度建模 | 第34-37页 |
| ·钢铁生产成本工序数据仓库实现过程 | 第37-38页 |
| ·钢铁企业生产成本关键工序数据挖掘 | 第38-41页 |
| ·决策树分类算法在钢铁企业亏损品种分析中的应用 | 第41-49页 |
| ·钢铁企业亏损品种分析模型的建立 | 第41-43页 |
| ·钢铁企业亏损品种分析数据仓库的实现过程 | 第43-46页 |
| ·钢铁企业亏损品种分析数据挖掘 | 第46-49页 |
| 本章小结 | 第49-50页 |
| 结论 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 攻读硕士学位期间发表的学术论文 | 第54-55页 |
| 致谢 | 第55-56页 |
