| 研究生学位论文原创性声明 | 第1-4页 |
| 作者简介 | 第4-5页 |
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-9页 |
| 第一章 绪论 | 第9-13页 |
| §1.1 机器学习概述 | 第9-10页 |
| §1.2 机器学习的发展历史 | 第10-11页 |
| §1.3 机器学习的研究领域 | 第11-12页 |
| §1.4 课题研究内容及现状 | 第12-13页 |
| 第二章 机器学习 | 第13-18页 |
| §2.1 机器学习的基本结构 | 第13-14页 |
| §2.2 机器学习的分类 | 第14-16页 |
| ·机械学习 | 第14页 |
| ·示教学习 | 第14-15页 |
| ·类比学习 | 第15页 |
| ·解释学习 | 第15-16页 |
| ·演绎学习 | 第16页 |
| ·归纳学习 | 第16页 |
| §2.3 学习任务举例及所获知识的表示 | 第16-17页 |
| §2.4 机器学习性能的评价 | 第17-18页 |
| 第三章 归纳学习 | 第18-27页 |
| §3.1 归纳学习概述 | 第18页 |
| §3.2 归纳学习任务 | 第18-20页 |
| §3.3 几种归纳学习算法 | 第20-26页 |
| ·Find-S：寻找极大特殊假设 | 第20-21页 |
| ·List-Then-Eliminate：列表后消除算法 | 第21页 |
| ·Candidate-Then-Eliminate：侯选消除算法 | 第21-24页 |
| ·SQ：序列覆盖算法 | 第24-26页 |
| §3.4 本章小结 | 第26-27页 |
| 第四章 决策树学习 | 第27-29页 |
| 第五章 非叶结点属性的选择 | 第29-38页 |
| §5.1 熵的解释 | 第29-30页 |
| §5.2 熵和样例集的纯度 | 第30页 |
| §5.3 测试属性的选择算法 | 第30-33页 |
| ·RS(Random Selection) | 第30-31页 |
| ·CIG(Category Information Gain) | 第31页 |
| ·AIG(Attribute Information Gain) | 第31页 |
| ·GR(Gain Ratio) | 第31-32页 |
| ·CA(Cost of Attribute) | 第32页 |
| ·IA(Importance of Attribute) | 第32-33页 |
| ·MID3 | 第33页 |
| §5.4 传统的CIG算法和新的AIG算法 | 第33-38页 |
| ·CIG、AIG算法清单 | 第33-35页 |
| ·CIG、AIG时间复杂度分析 | 第35-36页 |
| ·CIG、AIG空间复杂度分析 | 第36-37页 |
| ·小结 | 第37-38页 |
| 第六章 决策树的修剪 | 第38-44页 |
| §6.1 事后修剪 | 第38-40页 |
| ·错误率降低修剪(Reduced-error pruning) | 第38页 |
| ·规则后修剪(Rule post-pruning) | 第38-39页 |
| ·最小化错误率修剪法(Minimum error pruning) | 第39-40页 |
| §6.2 事前修剪 | 第40-41页 |
| ·深度限制法(Depth limit) | 第40页 |
| ·卡方测试法(chi-square test) | 第40-41页 |
| ·合并属性值法(Merge attribute-value) | 第41页 |
| §6.3 两种新的事前修剪算法 | 第41-44页 |
| ·基于结点支持度的事前修剪算法PDTBS | 第41-42页 |
| ·基于结点纯度的事前修剪算法PDTBP | 第42-43页 |
| ·PDTBS、PDTBP算法的分析 | 第43-44页 |
| 第七章 实验与结论 | 第44-47页 |
| §7.1 实验 | 第44-46页 |
| ·数据来源与描述 | 第44-45页 |
| ·实验方案与结果 | 第45-46页 |
| §7.2 结论 | 第46-47页 |
| 致谢 | 第47-48页 |
| 参考文献 | 第48页 |
