基于决策树的数据挖掘算法的应用与研究

数据挖掘是指从数据库中抽取隐含的、具有潜在使用价值信息的过程,是一种新型的数据分析技术.研究数据挖掘中的决策树算法以及决策树算法在具体的客户关系管理系统中的研究与分析,对数据挖掘中的决策树技术做了详细的描述.     

决策树算法的教育应用探讨

简单介绍了数据挖掘的概念和决策树算法技术，尤其是它所牵涉的信息论原理，并结合相关事例简要概述了决策树算法在教育层面上的应用．     

决策树C4.5算法在森林资源二类调查中的应用

C4.5算法是基于信息熵理论进行数据分类分析的经典决策树数据挖掘算法.它主要包括数据预处理、决策树生成、决策树修剪、决策树规则提取等步骤.笔者将C4.5算法应用于森林资源二类调查的数据分析中,通过对调查数据挖掘分析表明,数据挖掘在森林资源调查数据分析中具有广泛的应用前景.     

决策树算法的研究与改进

决策树是数据挖掘中重要的分类方法，本文在研究和比较几种经典的决策树算法基础上，提出了一种改进的决策树算法：基于度量的决策树（MBDT）．这种决策树实际上是把线性分类器和决策树结合在一起．实验证明，用该方法构造的决策树能有效地减少决策树的层数，从而提高决策树的分类效率．通过MBDT分类实验，验证了上面结论的正确性和有效性．     

数据挖掘决策树在肝癌病人预后中的研究与应用

本文介绍了数据挖掘决策树算法的基本原理。并将决策树技术应用于肝癌病人预后的影响中。提出了一种预后影响的预测方法。通过20个样本数据,详细的介绍了建立决策树的步骤和方法。     

数据挖掘之决策树方法概述

数据挖掘在科研和商业应用中正发挥着越来越重要的作用。分类器是数据挖掘的一种基本方法，决策树是一种最重要的分类器。本文介绍了分类器中的决策树方法及其优点，决策树表示法，决策树构造思想，并比较了各种重要的决策树算法。介绍了决策树算法的实现工具，决策树与数据仓库的结合，决策树的适用范围及应用，最后探讨了决策树的发展趋势。     

C4.5算法在民航CBT中的应用

决策树学习策略广泛应用于模式识别和机器学习等领域,用来解决与分类相关的问题。决策树剪枝的作用是简化决策树,提高决策树的泛化能力,避免对训练集的过适应,是决策树学习中的重要研究内容。本文详细介绍了数据挖掘算法中的C4.5算法的基本思想,并且对REP剪枝技术进行分析,以此对C4.5算法进行剪枝。实验表明改进的C4.5算法与原C4.5算法相比能很好地处理训练集的非平衡性,并降低决策树的规模,效率得到提高。     

ID3算法在教学评估体系中的应用与改进

决策树是一种类似于流程图的属性结构。决策树算法主要用于分类和预测,是以样本为基础的归纳学习方法。决策树技术中的算法有很多,常用的是Quinlan于1979年提出的ID3算法。ID3算法相对于其它数据挖掘分类技术中的算法而言,有着自己的优势,但在实际应用中也有一些不足,需要进行改进。     

数据挖掘技术及其应用

数据仓库是信息领域中近年来快速发展起来的一种技术，指出了分析数据仓库内容有2种基本的方法：联机分析处理和数据挖掘；讨论了联机分析处理的体系结构，提出了数据挖掘中一些常用的方法：决策树、关联及数据统计分析、神经网络和最近邻方法；介绍了数据挖掘的应用。     

应用数据挖掘技术促进数字化校园建设

阐述了数字化校园和数据挖掘技术的关系．在分析了数字化校园中应用数据挖掘技术的需求基础上，将决策树算法、关联规则算法、聚类分析、回归分析方法具体应用于数字化校园，为数字化校园的建设开启了新思路．     

决策树算法在中职招生宣传中的应用研究

目前，数据挖掘技术已广泛应用于市场营销、金融、保险、工程与科学数据分析等领域。本文尝试性地利用数据挖掘中的决策树算法，对中职考生的报考数据进行分析研究，生成决策树，总结出规则，为决策；等提供理论支持。     

决策树分类算法研究

决策树分类算法是数据挖掘研究中的一个以样本数据集为基础的归纳学习方法，它着眼于从一组无次序、无规则的样本数据集中推理出决策树表示形式的分类规则，提取描述样本数据集的数据模型。讨论了决策树分类算法的基本原理，给出了算法的特性并通过一个实例给出了具体的使用方法。     

决策树学习研究

决策树分类学习算法是使用广泛、实用性很强的归纳推理方法之一,在机器学习、数据挖掘等人工智能领域有相当重要的理论意义与实用价值。在详细阐述决策树技术的几种典型算法以及它的一些常见问题后,介绍了它在工程上的实际应用,最后提出了它的研究方向以及它所面临的问题和挑战。     

基于粗糙集理论的数据挖掘方法在电子商务中的应用

介绍了一种基于粗糙集理论提取关联的数据挖掘方法：并给出它在电子商务中的应用以及数据挖掘的全过程和示例，指出作为一种决策支持技术，它可以用来提高企业的决策效率和决策可信度，从而为企业赢得一定的竞争优势。     

一种快速求最佳分割点的决策树方法

数据挖掘是近年来出现的一种综合了机器学习、统计学、数据库等众多领域的新技术.而决策树技术是数据挖掘的核心技术,应用广泛.本文阐述了决策树技术的基本建树方法,给出了一种按照二进制方法对离散属性快速求最佳分割点的方法,大大减少了存储空间,提高了建树效率.     

改进决策树的研究

提出了一种结合规则技术思想的决策树的改进方法，利用数据挖掘所产生的规则对决策树每个分支节点的分裂条件进行判断，即能限制决策树生长，又能帮助选择最优线路，从而使决策效率明显提高。     

基于决策树法的我国城镇居民生活质量评估模型研究

决策树在数据挖掘中的应用很广泛,它是生成分类器的一种有效方法,本文用决策树法对我国居民生活质量进行了分类、建模、实证分析,所建模型具体直观,分类精度较高。     

二元组决策树模型设计

针对数据挖掘的一般应用，采用决策树的方法，建立了二元组决策树模型，给出了模型中的两类数据和六个操作的一般描述，模型的重点是决策树建立、决策树剪枝和规则集推导。     

数据挖掘技术及其在金融中的应用

数据挖掘是一门交叉性新学科，数据挖掘技术是目前国际上数据库、数据仓库和信息决策系统领域最前沿的研究方向之一。本文简述了数据挖掘定义和特点，介绍了其主要技术与基本步骤，并进一步分析了数据挖掘技术在金融中的应用。     

数据挖掘技术在电子商务中的应用

对于企业而言,数据挖掘有助于发现业务发展的趋势,帮助企业做出正确的决策,使企业处于更有利的竞争位置。数据挖掘中应用的技术包括经典的统计、邻近、聚类,也包括最新发展起来的决策树、神经网络和关联规则等一些较新的方法。当实际开发一个数据挖掘系统时,究竟应该选择哪种数据挖掘技术,往往是一件很困难的事情。本文结合数据挖掘技术在电子商务中的应用,提出选择数据挖掘技术的两个重要依据,以便开发出有效、实用的数据挖掘系统。