决策树算法在计算机教学评价数据挖掘中的应用

将决策树ID3算法应用到计算机教学评价数据挖掘中,建立学生考试成绩是否优秀的决策树,并利用事后修剪法实现分类决策树的剪枝。最后由决策树产生分类规则,建立考试成绩优秀分析决策树模型。     

决策树在计算机中的存贮与计算

针对统计决策中的决策树决策法,提出了一种在计算机中存贮和计算决策树的方法,使得对决策树的描述十分简单,清晰,便于决策树的计算的程序实现,对于决策树决策法的进一步推广有一定的实际意义。     

决策树在计算机中的存贮与计算

针对统计决策中的决策树决策法,提出了一种在计算机中存贮和计算决策树的方法,使得对决策树的描述十分简单、清晰,便于决策树的计算的程序实现,对于决策树决策法的进一步推广有一定的实际意义。     

改进的决策树算法在教务管理数据挖掘系统中的应用

决策树算法是数据挖掘系统中一个重要的分类算法,选择合理而有效的测试属性以及对决策树进行适当的修剪是决策树算法的关键内容之一。将决策树算法引入教务管理挖掘系统,并对决策树测试属性的选择算法以及预剪枝算法进行改进。以九江学院学生四级考试信息为例,结果表明改进的决策树算法对于数据挖掘更具可靠性和有效性。     

决策树分析法在风险决策中的应用

决策树是风险型决策中的一种决策方法．与矩阵决策法相比,决策树具有方便简捷、层次清楚、能形象地显示决策过程等优点．本文较详细的介绍了决策树的思想及决策树的生成方法．并通过实例给出了决策树在决策问题中的具体应用方法．     

改进的决策树算法在教务管理数据挖掘系统中的应用

决策树算法是数据挖掘系统中一个重要的分类算法,选择合理而有效的测试属性以及对决策树进行适当的修剪是决策树算法的关键内容之一。将决策树算法引入教务管理挖掘系统,并对决策树测试属性的选择算法以及预剪枝算法进行改进。以九江学院学生四级考试信息为例,结果表明改进的决策树算法对于数据挖掘更具可靠性和有效性。     

决策树在教学评价中的应用研究

决策树学习是人们广泛使用的一种归纳推理形式。先就决策树和决策树学习算法进行介绍,然后用实例阐述决策树在教育信息处理中的应用,主要以在教学评价中的应用为例来加以介绍。     

基于核属性的决策树构造算法研究

决策树是一种重要的分类方法.本文分析了单变量决策树和多变量决策树的不足,提出一种基于核属性的决策树构造算法,该算法根据核属性存在的不同情况,选择结点的分裂属性.所创建的决策树规模适中,导出的规则简洁、支持度高.实验结果分析表明,该方法是有效的。     

分类技术中的决策树算法分析

介绍了解决分类问题的常用方法——决策树。并对决策树的原理及Quinlan的ID3、C4．5两种主要的决策树算法进行了分析。通过分析它们的基本原理以及主要特点，提出了对决策树算法改进的展望。     

决策树后剪枝算法的研究

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。本详细描述了常用的四种后剪枝算法，分析了后剪枝技术的研究与发展现状，为具体应用中选择剪枝算法提供了一定的理论基础。     

决策树算法综述

决策树算法是数据挖掘领域的一个研究热点,通常用来形成分类器和预测模型,在实际中应用广泛。介绍了决策树技术及其发展过程,重点阐述了几种典型的决策树算法,分析了它们的优缺点,并对几种算法作了比较,最后探讨了决策树算法今后的发展方向。     

基于决策树的分类算法研究

分类算法是数据挖掘中的一种重要技术,决策树学习是其中常用的一种方法。结合实例阐述了决策树基本算法的形成过程,分析总结了决策树算法在实际中的应用及其存在的缺陷。     

基于决策树的学生成绩分类研究

本文根据决策树分类技术对福建省计算机等级考试中的成绩进行分析和挖掘.首先对成绩数据进行离散化处理,设置成决策树分类的属性数据;接着利用ID3改进算法构建成绩分类的决策树模型,并对其剪枝;最后根据模型给出相应的规则和几个教学建议.实验结果表明,利用决策树分类技术在计算机等级考试中进行挖掘分析的方法是有效可行的.     

C4.5决策树法在网络课程知识点个性化设计中的应用

决策树是归纳学习和数据挖掘的重要方法,通常用来形成分类器和预测模型。对网络课程知识点个性化设计中的大量数据,运用数据挖掘算法中的决策树C4.5算法对所给数据进行处理,选取决策属性,构造决策树,提取分类规则,获取每一个知识点与不同类型的学生之间的关系。通过实验仿真发现,C4.5决策树算法取得了较为理想的分类预测效果。     

数据挖掘中决策树算法的研究和常见问题的解决

在对数据挖掘决策树的基本概念和常用算法进行介绍的基础上,针对生成决策树的常见问题提出了相应的处理方法。     

一种改进决策树算法的探讨

ID3算法是示例学习中建立决策树的一种重要的方法．介绍了ID3决策树算法的基本思想,讨论了 ID3决策树算法中的难点和不足,结合实例给出了利用信息增益度法来改进ID3算法的详细过程．     

ID3决策树算法的改进

针对现有决策树中ID3算法倾向于取值较多的属性的缺点,提出一种利用优化法的思想来改进信患增益的算法。用ID3算法及改进后的算法建立金融企业决策树分类模型,利用某银行提供的客户信息和银行业务信息等数据,通过客户存款情况,探讨对金融客户进行分类,研究忠实客户的特征。实验中两个方案的比较表明,利用优化法算法来选择决策树分支取值,不但可以加快决策树的生长,而且最重要的是可以得到结构好的决策树,便于从中挖掘好的规则信息。特别是在使用决策树算法来挖掘的数据越多,算法的效率和性能就越好,算法的优越性就越明显。     

数据挖掘中决策树分类算法的研究与改进

决策树分类算法是数据挖掘中一个重要的内容,而ID3算法又是决策树分类算法中的一种重要方法且被广泛应用。然而在实际应用过程中,现存的决策树算法也存在着很多不足之处,如计算效率低下、多值偏向等。为了解决这些问题,提出了一种基于ID3算法的加权简化信息熵算法,它提高了决策树的构建速度,减少了算法的计算运行时间,同时也克服了ID3算法往往偏向于选择取值较多的属性作为测试属性的缺陷。并且随着数据规模的增大,决策树的分类性能表现得越好。     

分类决策树在交通事故成因分析中的应用

交通事故的形成常涉及多种因素,如驾驶人本身、车辆、环境等.以数据挖掘技术中的ID3分类决策树算法对交通事故数据进行分析和研究,得出蕴含在数据中的有益模式,决策树构造结果显示,分类决策树应用于交通事故成因分析中具有可行性与有效性.     

基于不确定数据决策树分类算法的软件外包评价模型

经典决策树算法不能处理树构建和分类过程中的不确定数据,针对这一局限,提出基于概率分布的方法,把决策树分类技术扩展到含有不确定数据的环境中。然后,针对软件外包评价中普遍存在着不确定数据,应用决策树分类方法,对软件外包公司进行客观评价。实验表明,本文提出的基于不确定数据的决策树分类算法能够实现对软件外包评价的定量研究。