基于决策树的应用研究

《基于决策树的应用研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、合肥工业大学硕士学位论文基于决策树的应用研究姓名：张兴科申请学位级别：硕士专业：计算机应用技术指导教师：王浩20071101基于决策树的应用研究摘要数据挖掘(DM)是当前涉及统计学、人工智能、数据库等学科的热门的研究领域，是从数据中提取人们感兴趣的、潜在的、可用的知识，并表示成用户可理解的形式。分类是数据挖掘的一个重要分支，分类能找出描述数据类或概念的模型，以便能使用模型预测类标记未知的对象类。本文研究的是基于决策树的分类技术。与其他分类技术相比，决策树技术具有许多优点：决策树更易被用户理解；生成决策树的效率更高、更适

2、合大训练集；决策树的生成算法不需要除训练集之外的额外信息；它可以提供更好的精确度。当然决策树技术也有缺点：一方面，它无法删除带噪声的不相关的属性；另一方面，大多数决策树被限制在每个节点上只检验单个属性。本文针对分类中条件属性很多时，其中个别条件属性对分类没有影响的情况，讨论了决策表的约简方法，为更有效进行数据挖掘在方法层面上提供了支持。最后本文对学生学习过程中的几个主要环节收集了数据并进行了相应的预处理，并在SQLServer中利用系统提供的决策树方法，生成了相应的决策树，找出了这几个环节中最能影响学生成绩的环节，为教

3、师引导学生建立科学的、合理的学习方法提供了依据。关键词：数据挖掘，决策树，修剪，学习方法ApplicationResearchoftheDecisionTreesAbstractAtpresent，Dataminingisahotresearchtopicinvolvingstatistics，artificialimelhgenceanddatabase．Dataminingextractstheusefulandpotentialknowledgethatweareintereaedin。andexpressesi

4、tinacomprehensibleform．Classificationisonecrucialbranchofdatamining,whichcanfindoutthemodelsofdatatypesordefinitionstopredictthroughmodelstheclass-unmarkedobjecttypes．Thethesisemphasizesontheclassificationtechniquebased011decisiontrees．Decisiontreesdisplaygoodac

5、curacyascomparedtoothertechniques：lllorecomprehensibletotheuse魑．nloree贩cientincreatingadecisiontreeandmoIesuitableforlargetrainingsets．Butdecisiontreesalsohavesomelimitation．Onehand,it咖notdeleteirrelevantattributes；Ontheotherhand,mostdecisiontreesCantestonlyonea

6、ttribute0neachnode．Inaddition，thesimplificationapproachofdecisionueesis咖enwhentherearemanyconditionalattributeswithuselessindividualattribute．ItprovidesthesupponOntheapproachofthedatamining．Attheendofthethesis，dataarecollectedandpre-processedaccordingtokeylinksi

7、ntheprocessofstudents’learning．DecisiontreesarecreatedwiththedecisiontreeapproachprovidedbythesysteminSQLseYvgT,andthemostinfluentiallinksarefoundoutforteacherstOguidestudentstoadoptscientificandreasonablelearningapproaches．KeyWords：data-mining，decisiontrees，pru

8、ning，learningapproachII插图清单图1．1数据挖掘过程⋯⋯⋯⋯⋯⋯⋯．⋯．．⋯．⋯⋯⋯．⋯⋯6图2．1决策树生成过程⋯．⋯⋯⋯⋯⋯．⋯．．⋯．⋯⋯⋯．⋯．．12图2．2生成的决策树⋯⋯⋯⋯⋯．⋯⋯⋯．．⋯．⋯⋯⋯⋯⋯16图3．1选择输入与和可预测列⋯⋯⋯⋯⋯⋯．⋯，⋯⋯⋯，⋯．．26图3．2生成的决策树．⋯⋯⋯