基于决策树算法的学生综合测评系统的设计

本文用决策树算法(ID3算法),在对安徽省第一轻工业学校学生综合测评信息进行分析的基础上,建立综合测评预测模型。该系统对今后的学生综合评价具有一定的实用意义。     

基于证据理论的知识发现分类算法

决策树方法是一种重要的可完成分类任务的知识发现技术 ,目的是通过构造一个分类模型 ,把数据库中的元组映射到给定类别中的某一个。决策树分类算法效率高且应用广泛 ,但是不能处理在决策树的构建和分类过程中的不确定数据。针对决策树分类算法的局限 ,利用证据理论是对概率论的扩展 ,将置信函数与概率的上下值相联系 ,可用于不确定数据的表达这个有力工具 ,把决策树分类技术扩展到含有不确定数据的环境中 ,提出了 D- S决策树分类算法。实验结果表明 D- S决策树分类算法能有效的对不确定数据进行分类。     

基于证据理论的知识发现分类算法

决策树方法是一种重要的可完成分类任务的知识发现技术，目的是通过构造一个分类模型，把数据库中的元组映射到给定类别中的某一个。决策树分类算法效率高且应用广泛，但是不能处理在决策树的构建和分类过程中的不确定数据。针对决策树分类算法的局限，利用证据理论是对概率论的扩展，将置信函数与概率的上下值相联系，可用于不确定数据的表达这个有力工具，把决策树分类技术扩展到含有不确定数据的环境中，提出了D-S决策树分类算法。实验结果表明D-S决策树分类算法能有效的对不确定数据进行分类。     

大数据环境下决策树算法并行化研究

决策树算法是数据挖掘中重要的分类算法,但目前多数针对决策树的改进方法都基于传统的串行算法,不能满足大数据环境下对海量数据挖掘的需要.针对大数据集中串行挖掘算法效率低下的问题,采用MapReduce对决策树算法进行了并行化实现,同时引入修正参数来改进ID3算法倾向于多值属性选取的问题.实验结果表明,该算法具有较好的并行性和扩展性,能有效处理大数据集的分类问题.     

一种改进的PEP决策树剪枝算法

剪枝过程是决策树分类学习中的重要环节,能够简化决策树并提高决策树的泛化能力,避免对训练数据集的过适应。在PEP算法的基础上,本文提出了一种改进的决策树剪枝算法IPEP,实验结果表明,该算法剪枝效果较PEP算法更好。     

基于数据挖掘的电力设备状态诊断系统建模

以电力公司的业务需求为背景,为实现电力设备的状态诊断,以数据挖掘技术中的粗糙集和决策树算法为依据,采用粗糙集和决策树相结合的数据处理模型对电力设备的各属性数据进行了分析处理。综合运用粗糙集和决策树两种数据挖掘算法,通过粗糙集技术进行属性约简,并运用决策树的ID3算法对约简后的数据进行分枝、减枝得到规则集,实现对电力设备工作状态的快速、高效诊断,并根据其工作状态提供决策支持。     

基于决策树算法的数据挖掘在学生信息系统中的应用

数据挖掘的方法很多,决策树方法是数据挖掘方法之一。决策树方法不需要对数据进行任何假设,直接将大量数据智能地分类,按照一定的规则找出隐藏的、有价值的信息。文章选取决策树方法中具有代表性的C4.5算法,以高校学生信息管理系统中毕业就业海量信息为实例生成决策树,挖掘出有利于毕业生就业的潜在规则和因素,以便指导高校的教育和管理。     

基于决策树的燃煤锅炉运行优化规则的提取

以数据挖掘的决策树方法为理论基础,结合燃煤锅炉的具体特点,将基于决策树归纳分类算法运用于锅炉历史运行数据的分析中.以锅炉效率为决策目标,对不同烟气含氧量、排烟温度等属性进行分类,构建决策树模型,采用决策树归纳分类的方法挖掘出指导锅炉运行的有用规则,并对挖掘结果进行分析和评价.     

基于决策树数据挖掘的分析与应用

决策树技术是一种对海量数据集进行分类的非常有效方法。通过构造决策树模型,提取有价值的分类规则,帮助决策者做出准确的预测已经应用在很多领域。基于这种技术构造的蘑菇可食用性决策树模型,提供了通过蘑菇属性判别蘑菇可食用性的科学依据。决策树算法采用C4.5算法,它把信息增益率作为属性选择的度量标准。从实验结果来看,决策树模型虽然显示了一个很不平衡的结构,但得出了很容易理解的决策规则。     

基于决策树模型的编程算法实践研究

分析决策树的基本模型,给出决策树的方法概述.进一步对决策树的算法进行了深入的分析,最后给出了构建决策树.并且应用决策树进行线性分类和2次分类,进行了算法的实践.     

基于数据挖掘的信用分类技术

以提高信用等级评价的质量为目的，介绍了数据挖掘技术的基本过程.以企业贷款的信用分类为研究背景，具体研究了业务理解、数据理解、数据准备、建模、评估和发布的实现环节.在建模过程中，采用决策树为分析模型，对经典的C4.5算法进行了改进.将改进算法运用在企业贷款的信用分类中，并将其效果与经典的C4.5算法的结果进行比较，结果表明该算法对于企业信用分类这样的复杂系统，在准确度与决策树结构上具有一定程度上的改善，能够提高信用等级评价质量.     

C4．5决策树法在高校奖学金评定中的应用

奖学金是提高高校学生学习积极性的一种手段,采用先进的人工智能技术对学生的成绩进行智能评价和预测．已成为一个新兴的交叉研究领域．采用C4-5决策树算法构建奖学金评定系统,挖掘学生成绩和奖学金等级关系的历史数据．建立学习成绩一奖学金等级智能评价模型．实验仿真发现,C4-5决策树算法的分类预测效果较为理想．     

决策树学习算法在交通方式选择模型中的应用

主要阐述了决策树学习算法在交通方式选择模型中的应用.在基本决策树的基础上,使用随机森林组合学习算法来建立交通方式选择模型,以Bagging预测方法和CART算法为主,以随机特征选择和"投票"方法为辅,并相互融合,结合具体实例详细介绍该模型的建立,从数据的选择到整个森林中树的数目和每个结点处抽取的候选属性的个数调整,并对模型进行了相应的评估.实验结果表明,随机森林预测精度高,且对噪声数据具有较强的稳健性,采用决策树学习算法得出的规则在交通方式选择的分析中具有较好的实用价值.     

基于S变换和决策树算法的电能质量扰动识别

提出一种基于S变换和数据挖掘中决策树算法的电能质量扰动识别的方法.该方法首先用S变换对电能质量扰动波形进行时频分析,并使用统计方法提取相关特征量,然后用决策树算法对提取的特征量样本进行分类,并获得明确的分支规则.仿真结果表明,该方案正确率高,抗噪声能力强,训练样本少,响应速度快.     

基于决策树的就业数据挖掘

针对学生就业问题，给出了就业数据挖掘模型．决策树方法是数据挖掘中非常有效的分类方法，根据就业数据特点，采用了C4．5决策树算法．C4．5算法是决策树核心算法ID3的改进算法，它构造简单，速度较快，容易实现．模型对就业数据预处理，选取决策属性，实现挖掘算法并抽取规则知识，由规则知识指出哪些决策属性决定了就业单位的类别，挖掘结果表明，该算法能够正确将就业数据分类，并得到若干有价值的结论，供决策分析。     

分布式决策树算法研究与实现

提出了一种基于分布多库环境下的决策树生成算法DDTA（Distributed Decision Tree Algorithm）．该算法使用基于信息熵增益的思想分割各个分布的、同构训练样本集,各分布站点利用服务器传来的分割属性分割自己的样本集,服务器则通过对所有分布站点传来的信息计算各个属性的信息熵增益得到分割属性．实验表明DDTA算法能对分布同构样本集进行有效决策树挖掘,分布多库环境下生成的决策树是正确的．与算法INDUS相比,该算法的通信代价小．     

基于数据挖掘的决策树算法分析

决策树是数据挖掘技术中的重要方法,主要用于分类和预测.本文介绍了决策树算法中应用最广泛的ID3算法和C4.5算法,阐述了两种算法的主要思想,说明了构造决策树的基本步骤,对两种算法进行了分析和比较.     

基于超限快速决策树的链路质量评估

为了准确、快速评估无线传感器网络的链路质量,提出了基于改进超限快速决策树的链路质量评估方法.通过分析不同时间段内物理层参数与包接收率之间的关系,选取接收信号强度指示均值、链路质量指示均值以及信噪比均值作为链路质量参数;采用依据包接收率划分的链路质量等级作为评价指标;基于超限快速决策树评估链路质量,采用基尼指数作为决策节点的启发式度量,并依据决策节点的高度改进决策节点寻找最优属性样本数的计算方法.室内、走廊、停车场3种场景下的实验表明,与模糊逻辑、快速决策树、超限快速决策树等方法相比,提出的方法具有较好的评估准确率和更低的时间复杂度.     

基于参数评估的可调节式分组流分类算法

基于决策树的启发式流分类算法目标是建立结点数目尽可能少,树深度尽可能小的数据结构,从而获得较优的时空性能。本文提出的基于参数评估的可调节式流分类算法（PEA：Parameter Evaluation Adjustable algorithm）一方面沿袭目前主流的决策树类流分类算法思想,一方面引入性能参数的概念,并采取调节参数权值的方式获得性能最佳的数据结构。大量测试结果表明,相同条件下本算法对比同类算法能够获得更优的性能结果。     

可拓逻辑和可拓思维对决策树算法的分析与优化

为从理论层次上深度解析决策树分类算法的逻辑可行性,根据可拓理论中可拓逻辑和可拓思维的全新视角,对构建决策树过程中节点的选择、规则提取和预测等步骤,进行理论上的分析和评价.以可拓思维中的菱形思维模式来分析决策树算法中节点的选择,以可拓逻辑中基元变换理论来评价决策树算法的规则提取,以可拓逻辑中的基元发散规则来解释决策树算法的预测步骤,在验证决策树算法各个步骤符合可拓理论处理矛盾问题的思维模式的同时,也对决策树算法的分类结果建立了基于可拓理论的评价体系.