数据挖掘中关联规则和决策树的应用

关联规则应用最频繁的是在零售部门,尤其是超市。以某超市一天中的商品销售记录为例来说明关联规则的应用,从中发现客户的购买模式和消费习惯。决策树分类方法的应用中,对于汽车销售公司的客户定位进行了分析,区分了男性和女性的偏好。销售公司可以据此对客户进行具体定位,促进销售。     

一种基于离散度的决策树改进算法

在数据挖掘中,决策树方法是一个重点研究方向．很多学者从不同角度对ID3算法进行改进和优化,提高了分类的效率和速度．本文从离散度的角度,对ID3算法进行改进．实验表明,利用改进后的算法挖掘分类规则,不仅提高了分类的正确率,而且非常高效．     

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。     

管理分类规则的广义决策树

为了将传统的决策树无法管理的、由各种分类算法所发现的大量的有意义的规则进行有效的存储、剪裁和使用 ,提出了广义决策树结构。它将传统决策树的结构进行扩展 ,能够以较少的存储代价管理所发现的所有分类规则 ,且易于表达规则之间的关系。提出了有效的优化策略。以此树为基础 ,将决策树分类算法与基于关联规则的分类算法进行了概括统一 ,并提出了相应的算法。实验结果证明 ,广义决策树克服了传统决策树的缺点 ,并且适宜于维护、剪裁以及快速搜索大量的分类规则     

改进的加权关联规则挖掘

文章给出了改进的加权关联规则的定义,包括加权关联规则的支持度、信任度、有意义度及支持界等.设计了一套挖掘加权关联规则的行之有效的算法,并通过例子说明了算法的有效性.     

关联规则挖掘在数据仓库中的应用研究

从数据库知识发现的角度，介绍了数据仓库中数据挖掘模型的设计原理，提出了单层次结构的关联规则挖掘的一种设计原理和实现方法。     

数据挖掘中决策树算法的研究及其改进

决策树算法是数据挖掘中非常活跃的研究领域．通过对数据挖掘中决策树的基本思想进行阐述,讨论了决策树经典算法（ID3算法）的计算复杂度问题,并针对这一问题提出了利用统计理论知识和条件概率的思想来改进构造决策树的算法．实验表明,这种构造决策树算法的计算复杂度明显优于传统的算法,其效率也有很大的提高．     

高校科研决策支持系统中关联规则挖掘的应用

随着高校规模的不断扩大 ,教师的科研数据量越来越多 ,如何从大量数据中找出数据间的关系以支持领导的决策成了当务之急 .本文讨论了如何利用数据挖掘方法中的Apriori算法对高校科研决策支持系统中的数据进行关联规则的挖掘 .     

小型超市数据仓库系统SMDW的研究与实现

介绍了独立开发的小型超市数据仓库系统ＳＭＤＷ Ｖ１．０的主要功能，用户界面及设计开发中遇到的特殊困难和相应解决方法，并介绍该系统在关联规则挖掘中实现Ａｐｒｏｒｉ算法的具体措施。     

一种建立于虚拟数据库的决策体系结构

虚拟数据库技术能够快速收集、组织和集成来自不同数据源的数据，并以统一的关系数据库的形式提供给决策者和上层应用程序，便于数据挖掘和在线分析处理，提高系统决策支持的能力．提出一种建立于虚拟数据库的新决策支持系统体系结构．     

改进的SVM决策树分类算法

为解决多类分类问题,在分析SVM决策树分类器及存在问题的基础上,通过引入类间可分离性测度,并将其扩展到核空间,提出一种改进的SVM决策树分类器。实验表明了该分类算法对提高分类正确率的有效性。     

基于决策树和改进SVM混合模型的语音情感识别

为有效提高语音情感识别的准确性,达到人机和谐交互的目的,本文提出了一种基于决策树和改进SVM混合模型的语音情感识别方法,有效地避免了无界泛化误差、分类器数目多、受限优化等问题,提高了悲伤、喜悦、愤怒、厌恶、惊讶、恐惧6种基本情感识别效率。实验结果表明,该方法识别准确率为87.58%,与传统的支持向量机和人工神经网络方法相比,有更高的抗噪声能力和稳定性,能得到更高的识别准确率,而且有较强的实用性和推广能力。      

决策树研究新探

决策树方法一直被用于贝叶斯决策问题的最优方案选择，即从若干决策方案中选择一个最优方案。决策问题中所含的方案数量在决策树中是隐性的。利用传统的决策树方法，无法确定一个次优方案，对所有方案进行排序也很难。从这个意义上来说，决策树法不如策略矩阵法有效。该文结合有一个实例，讨论了利用决策树对贝叶斯决策问题的决策方案进行选择和排序的方法。     

一种改进的自映射空间判定树算法

判定树在基于知识的专家系统中非常有用,同时在数据挖掘中也是一种重要的方法.但是目前的判定树判定方法并不能准确、清晰地处理与人类思想和感觉的知识.通过自映射空间模型作为知识表达和处理不确定性的方法以达到改进目前方法的目的.与传统的分类方法相比,自映射空间方法更好地集成了模糊性和随机性.提出了基于自映射空间模型的判定树方法,该方法处理人类思维更加自然.在实际的分类问题过程中,自映射空间方法更加有效、灵活.     

高校科研决策支持系统的开发

主要介绍了基于知识发现的高校科研决策支持系统的开发过程,其中介绍了系统开发的背景、系统开发工具、系统的数据库设计及系统各主要功能模块的设计和功能实现,重点介绍了决策支持模块中关联支持子模块所使用的技术支持及数据挖掘中关联规则挖掘的Apriori算法,并且提出了对系统进一步的改进建议。     

决策树与模糊决策树的比较

对决策树与模糊决策树的异同进行了比较分析.模糊决策树是决策树在模糊环境下的一种推广 ,它作为一种知识表示形式更符合人类的思维.     

一种基于粗糙集构造决策树的改进算法

基于变精度粗糙集模型,对文献[3]提出的生成决策树方法进行改进,把变精度加权平均粗糙度作为属性选择标准,提出一种构造决策树新算法.新算法用变精度近似精度来代替近似精度,能有效地克服噪声数据在构造决策树过程中对刻画精度的影响,使生成的决策树复杂性降低,泛化能力更强.     

基于决策树的神经网络规则抽取方法

将从神经网络中抽取一个可理解的模型视为一个归纳学习任务 ,其中 ,目标概念就是神经网络表达的功能 ,所生成的可理解模型是一个能很好近似神经网络的决策树 .在这个过程中 ,应用了决策树归纳学习的优化原则 ,使得生成的决策树能最简洁、准确地描述神经网络学到的知识 .实验证明 ,生成的决策树可以很好地近似神经网络 ,且比用传统方法生成的决策树具有更好的分类精度 ,同时NNtoDT算法也保持了具有较好的通用性和可扩充性的特性 .     

知识发现技术在政府决策支持系统中的应用

基于知识发现的政府决策支持系统的开发能够为政府做出更合理、更科学的决策提供数据支持。讨论了政府决策支持系统的特殊性,分析了知识发现的系统架构,介绍了基于关联规则的知识发现与数据挖掘技术,提出了用Apriori算法进行政府决策支持系统开发的思路。