判定树归纳分类研究

判定树归纳分类是数据挖掘中分类功能的最基本算法,本文在分析与讨论了判定树归纳分类基本思想及现有判定树归纳算法的基础上提出了关联分析法和贝叶斯分析法在判定树归纳分类中的应用,经实验证明了算法的有效性。     

基于数据挖掘技术的智能信息处理系统

着重阐述在数据挖掘阶段提出并改进基于关联规则的Apxioxi并行算法、基于分类的判定树归纳算法和基于聚类的K簇算法，并将几种算法综合应用到智能信息处理过程中。     

西部地方院校统计学专业本科毕业生就业调查

以吉首大学2015—2019届统计学专业本科毕业生就业数据为例，从就业行业、就业岗位和就业区域3个方面分析了统计学毕业生的就业情况.分析结果表明，统计学专业本科毕业生的就业态势良好，具有就业行业选择多和就业岗位专业性强的特点.根据统计学毕业生就业现状，针对提升西部地区统计学本科毕业生就业竞争力给出了建议.     

基于归纳学习的结构损伤识别方法研究

采用归纳学习方法来识别结构损伤．首先，通过对经典的决策树算法和序列覆盖算法进行结合与改进，得到一种高效且代价又小的归纳学习算法(RAC)，同时引入装袋算法产生多个分类法，并用它们进行类预测，而且使用选票策略得出最佳类预测．其次，用正交最小二乘迭代算法作为径向基函数(RBF)神经网络的学习方法，通过“信息一贡献”准则进行正交变换来优选中心．最后，对上述归纳学习方法用于梁结构损伤定位的效果进行了实验评估．结果表明，对于RAC算法和生成分类法的数目分别为10和50情况下的装袋算法，当损伤样本被噪声污染程度在100％时，识别精度均可达到90％以上，而对于RBF神经网络算法，只有当损伤样本被噪声污染程度小于70％时，识别精度才可达到90％以上。     

改进判定树分类算法的研究

介绍了判定树分类算法,对各种判定树分类算法进行比较和评价,并在此基础上提出判定树分类算法的改进方向。     

一种判定树同构的BULT算法

将判定两棵树的同构问题转化成"图的同构"问题和"两棵树根结点之间的对应关系"问题的判定.基于图与树的关系,提出一种自底向上分层遍历图结点(Bottom-Up Layer Traversing)的方法,简称 BULT方法,解决以上两个问题,从而得到一种线性的时间复杂度与空间复杂度的树同构判定算法,并给出了算法正确性证明.该算法很容易扩展为图同构的判定算法.     

数据挖掘技术在大学生就业分析中的实证研究

近年来,随着高校招生规模的不断扩大,我国高等教育已逐渐步入大众化教育阶段,高校毕业生所面临的就业压力再次引起人们的关注。针对辽宁省内高校毕业生的定量分析及预测比较少见,提出将数据挖掘技术应用到高校就业分析中。首先提取了省部分高校毕业生的基本信息库、成绩数据库,等级考试数据库及就业信息数据库,并对数据库进行了抽样及预处理;其次应用数据挖掘技术中的ID3算法及数学统计方法挖掘出与就业相关的分类规则,通过分类规则找出影响毕业生就业单位性质的主要因素;最后根据分析给出促进高校就业的决策建议:提高大学生的基础与专业素质;大学生要转变就业观念,理性调整期望值;有意识地积累和利用社会资本。     

手写汉字特征提取方法研究

依据机器学习理论,提出一种手写汉字识别中的特征提取方法,以及将判定树归纳学习算法应用于学习识别过程,使得特征提取和识别同时进行.依据判定树有选择地提取特征进行匹配,可减少特征提取的数量,提高识别速度.     

无回路规则系统的Petri网验证方法

构建了无回路规则系统的加标ω-Petri网模型，产生了相应的可达树，利用可达状态反映规则系统所包含的所有可达关系，并记录；提出了可达状态的反向推演森林及其算法，实现规则系统命题间可达路径的显式化．在此基础上，给出了规则系统错误的判定定理及其检测算法，实现了结构错误的有效判定和分析．     

网络上的最优干线选择问题

考虑在网络上点到路的距离意义下的最优干线选择问题——最小加权距离和问题和最小最大加权距离问题.首先证明所讨论的两个问题的判定形式是NP-完全的,然后对于网络是树的情况,给出了求解问题的算法,该算法的复杂性是O(n2).     

C4.5算法在民族地区高校毕业生追踪调查中的应用研究——以河池学院为例

部分民族地区高校毕业生就业是个难点问题。本文介绍了ID3、C4.5和CART三种决策树算法,并选取河池学院毕业生追踪调查数据,分别建立ID3、C4.5和CART分类器进行预测比较。结果表明,C4.5预测分类器具有最小计算量和最高准确率。通过测试,C4.5分类器预测分类准确度和精度与实测数据相符,能够较好地满足应用要求。C 4.5分类器分类规则表明,道德素养、专业素质和实践能力是用人单位录用毕业生的主要标准。预测结果同时也为学校创新人才培养模式,提高毕业生就业能力提供一定的决策支持。     

数据挖掘在高职院校就业指导中的应用研究

提高就业率是以培养应用型人才为宗旨的高职院校重要目标.将C45算法应用于就业信息统计分析中,通过对就业数据预处理、就业决策树的构建和剪枝,从其抽取分类规则,并指出决定就业单位类别的决策属性,得到一些较实用的预测毕业生就业动态的规律,从而更好地服务于学生就业指导工作.     

基于多尺度粗糙集模型的决策树在高校就业数据分析中的应用

为解决目前常用于就业数据分析的C4.5算法、基于粗糙集等的决策树生成算法均无法很好地处理决策精度需求不同和噪声适应能力的问题,运用基于多尺度粗糙集模型的决策树算法于于高校就业数据分析,并以某高校2012年就业数据为例进行分析,同时将分析结果与C4.5算法和基于粗糙集的决策树生成算法的分析结果进行比较．结果表明:基于多尺度粗糙集模型的决策树算法生成的决策树树形结构简单、产生的规则简洁、不存在不可分的数据集、运算速度快．     

基于智库DIIS理论方法的高等音乐院校毕业生就业问题研究以中国音乐学院为例

该研究关注的是我国高等音乐院校毕业生因就业范围窄导致就业难的问题.它采用决策咨询的研究思路,和我国智库研究的数据-信息-研判-方案(Data-Information-Intelligence-Solution,DIIS)过程融合方法,对中国音乐学院2016～2019届毕业生的就业数据进行了统计分析,通过案例调查等方法揭示了当今艺术院校毕业生在就业选择、薪酬期望、社会需求、择业观等方面的信息,综合研判了现阶段社会多个方面在艺术生就业工作上的不足,并形成了相关的解决方案,为高等音乐院校毕业生的就业提供参考.     

高职毕业生成就动机与就业动态问题探讨

通过调查广东肇庆工商职业技术学院不同类型毕业生成就动机的异同,分析其对就业的态度和状况,发现学习成绩优差与成就动机高低的相关性不大,成就动机对于高职院校毕业生职业决策的反应倾向没有显著影响,理科生与术科生的成就动机比文科生的成就动机高,提早为就业作准备的学生的成就动机较高。     

基于粗糙集的RDT决策树生成算法的研究及应用

介绍了一种基于粗糙集理论的决策树生成算法--RDT(Rought Set Decision Tree).该方法运用了粗糙集理论中条件属性相对于决策属性的核,引入启发式条件计算并选择条件属性作为决策树的根结点或子结点.通过一个例子,与运用信息熵概念建立决策树的算法进行比较,结果表明采用RDT方法得到的决策树优于采用信息熵方法得到的决策树.还讨论了RDT与ID3算法对决策树精度和规模的影响,分析数据分类和知识发现的过程及特点.     

相对偏差法评判高校各专业的就业优劣势——以淮阴工学院为例

首次将相对偏差法结合计量经济学模型应用于高校各专业就业优劣势的分析，为高校的就业决策和学科设置提供了一个更科学的方法指导。同时结合淮阴工学院各专业分布的毕业生数和相应的就业人数，进行了相关分析，给出了相应的对策建议。     

一种基于粗糙集的决策树构造方法

决策树是一种有效的数据分类方法。传统的决策树方法是通过信息熵的计算去生成决策树的节点,计算量大。基于粗糙集理论,利用近似精度的概念来进行属性选择,构造决策树,有效地提高了效率并降低了决策树的复杂度。     

基于粗糙集的毕业生就业质量评价指标优化

为构建财经类院校毕业生就业质量评价指标体系, 提出一种基于粗糙集理论的就业质量评价指标优化方法。 初步确立毕业生就业质量的 14 个评价指标, 以吉林财经大学 2012 ~2015 年近 4 届毕业生的就业信息为样本数据, 利用定量统计法对各指标权重进行了初步确定, 并对各评价对象进行了初步评价分类。 利用粗糙集论对评价指标进行约简, 剔除不影响评价对象分类的指标, 使指标体系由原来的 14 个指标约简为 6 个指标,并重新确定各指标权重, 最终得到了优化的财经类院校毕业生就业质量评价指标体系。 研究结果表明, 利用优化的指标体系可减少统计与评价的工作量, 该方法为财经类院校毕业生就业质量评价指标体系的构建和优化提供一个新的方向和途径。     

一种改进的决策树分类方法在土地利用信息提取中的应用

选择昆明市作为研究区,以2011年LandsatTM影像为基础数据,通过分析研究区地形特征,提出把研究区进行分区并分别确定高程、坡度决策规则的改进型决策树分类方法,并结合分析的光谱特征规律,在决策分类中引进了比值型指数、NDVI值,构建基于光谱特征和地学辅助知识的决策树信息提取模型,最后对传统计算机自动监督分类方法与决策树信息提取模型方法解译的昆明市土地利用数据的精度进行评价。研究结果表明：基于改进的决策树分类方法进行遥感信息提取的昆明市土地利用数据的Kappa指数比传统监督分类方法提高了0．234,分类精度提高了17．03％;从各种地类类型的测试样本点平均正确率来看,改进的决策树分类方法比传统监督分类方法提高了21％,大大提高了LandsatTM遥感数据分类的精确度和可靠性。