一、数据挖掘之决策树方法概述（论文文献综述）
焦海涛[1]（2020）在《基于话单大数据的成员组织关系智能分析方法研究》文中研究表明新时代下公安机关工作模式的转变是推进公安信息化和装备化的关键。近几年公安机关查处的各类经济犯罪案件中,团伙组织作案的总体数量呈逐年上升趋势。其隐蔽性高、关系网复杂、犯罪主体反侦查能力强、取证困难等特点已经成为现阶段公安机关反侦查工作的难点所在。警务人员打击团伙组织作案的过程中发现,提取犯罪嫌疑人手机与基站交互的通信信息,往往能够找到证明犯罪事实的证据。目前基于通信话单分析技术的研究,在话单数据深度挖掘算法的结构以及话单成员组织关系的可视化操作等方面存在不足。话单数据处理仅仅是简单的分析,没有进行深度的数据挖掘,更没有可视化表达数据的维度性。课题对经济犯罪传销组织成员之间的通信话单数据,采用最大相关系数方法和卡方检验方法,筛选话单数据中成员组织关系属性权重值较高的数据,并对组织成员权重值由高到低排序;其次,通过比较多种数据挖掘算法,利用话单数据层级关系特点,选取可挖掘出话单成员组织关系规则的决策树方法。实验过程中对传统C4.5决策树分类算法在话单成员组织关系的挖掘中存在的缺陷进行改进,在此基础上建立话单成员组织关系模型,并对模型的置信度进行验证;最后,根据话单成员组织关系模型建立话单成员组织关系智能化分析平台,并对系统进行了安全性和功能性测试为公安机关的日常工作提供辅助决策。
崔紫薇[2]（2020）在《基于多源数据挖掘的公交IC卡乘客下车站点识别及应用》文中指出常规公交是城市公共交通的重要组成部分,但阴雨天气等因素导致车辆GPS数据不完整,会影响公交IC卡乘客上下车站点识别,因此需要进行缺失公交到站数据修补。大部分城市公交IC卡乘客仅上车刷卡,因此需要识别乘客下车站点。轨道开通前,沿线待调整公交线路需要确定。针对以上问题,基于多源数据挖掘,本文的主要工作如下:（1）提出一种基于多源数据和DBSCAN算法的缺失公交到站数据修补方法。该方法使用多源数据关联分析补全缺失到站名称、经纬度,并使用DBSCAN算法聚类后的相似班次数据推算缺失到站时刻。理论分析表明,该方法改善现有方法准确度低和普适性差的缺点。厦门市实例结果表明:该方法可正确修补全部缺失到站名称、经纬度,并且在到站时刻修补的准确度和普适性方面均优于基于GPS数据聚类方法和极大概率估计方法。（2）提出一种基于两层Stacking框架的出行链断裂时公交IC卡乘客下车站点识别方法。该方法第一层使用五种方法:基于个人高频站点的方法、基于下游站点吸引权的方法、基于换乘便利性概率的方法、基于用地性质吸引概率的方法和基于群体历史记录方法;第二层使用Logistic回归模型,确定不同数据集中第一层各方法的合适权重,提升整体泛化能力。理论分析表明,该方法可改善现有方法下车站点识别率低和准确率低的缺点。厦门市实例结果表明:所提基于两层Stacking框架方法的识别率高于基于乘客高频站点和下游站点吸引权方法,准确率优于基于KNN方法、基于决策树方法、基于随机森林方法和基于乘客高频站点和下游站点吸引权方法。（3）提出一种基于公交IC卡数据的轨道交通沿线待调整常规公交线路选择方法。该方法可在轨道开通前同时考虑公交和轨道影响构建指标,建立并求解超效率DEA模型,确定每条线路效率值和待调整顺序。理论分析表明,该方法可以改善现有方法缺少结合公交和轨道影响且无法确定线路待调整顺序的缺点来提升正确率。厦门市实例结果表明:已知待调整公交线路数量时,该方法选择待调整线路的正确率高,且对不同线路弹性研究和确定待调整顺序方面,优于基于公交共线线路长度方法和基于广义出行时间成本与出行时间节省比例模型方法。
刘亚芬[3]（2020）在《基于GA的CART决策树改进算法与应用》文中研究说明自20世纪中期互联网技术的不断发展,信息技术跟随着迅猛发展,用户随时随地都产生了大量的图像、文本、音频、视频等信息。如何从这些不断增长的数据中得出对人们有利用价值的信息?于是,诞生了数据挖掘技术。数据挖掘就是不断的在数据中寻找有用信息,通过各种不同的分析方式和分析工具建立起各种数学模型与数据之间的联系,然后通过对这些构建好的模型与数据进行分析以及预测。分类预测是数据挖掘中的一项重要领域,在数据挖掘中,分类预测占有重要地位。决策树算法就是分类中一种易于理解并且使用范围较广的算法,决策树相较于其他方法有预测速率快、高精度且生成的分类规则易于解释等好处,因此是分类预测中比较常用的方法。常用的决策树算法有ID3算法、C4.5算法和CART算法,ID3算法适用于处理小规模数据集且无法处理离散属性。C4.5算法改善了ID3算法的缺点,能同时处理连续属性,且在剪枝的时候加入了初步正则化思想,防止过拟合,但C4.5算法只能处理分类问题,无法处理回归问题。CART算法在此问题上进行了改进,既能处理分类问题也能处理回归问题,且用Gini系数代替信息增益率进行分裂,降低了数据的计算量。但CART算法同样有着自身的不足,CART算法是采用二分法进行分割,二分法最大的缺陷是局部最优,本文的切入点就是解决二分法局部最优的问题,创新点就是利用遗传算法全局优化的特性,通过遗传算法找到最优的分裂点,对CART算法进行优化。当数据集的特征个数偏多,训练模型的时间花销就越大,训练得出的模型就会更加复杂,那么模型的推广能力也会有所下降。通过实验证实,使用遗传算法来找到最优的特征建树,能大大的提高分类的精度。本文在构建决策树的过程中,使用的是CART算法,大多数情况下CART构建的决策树模型比其他算法构建的模型准确率更高,且当样本越大,数据量越复杂,变量越多,算法的效果就越显着。但是CART算法也有自身的缺陷,CART算法是通过二分法进行分裂,但是二分法最大的缺陷是局部最优,每一次计算只能找到当前这步的最优值,很容易陷入局部收敛,遗传算法作为全局最优搜索算法之一,其过程是通过不断的选择、交叉和变异操作,寻找到最优个体,文中是利用遗传算法代替二分法找到最优分裂点。遗传算法因具有优秀的性能,在优化问题中应用颇多,遗传算法在寻找最优分类规则中应用得较为成熟,而在决策树算法中,从本质上最终也是得到分类规则,从这方面来看,通过遗传算法对决策树改进也是可行的。虽然遗传算法也不能保证在理论上得到百分之百的最优,但是也提供了寻优的可能,且后续实验中也证明了使用遗传算法代替二分法寻找的最优分裂点能提高分类的精度。
王婷[4]（2020）在《基于数据挖掘技术的广告客户管理系统设计与实现》文中进行了进一步梳理近年来,广告公司在产品质量竞争的基础上,更注重于客户市场的竞争,更加注重如何吸引客户、留住客户、挖掘客户,为客户提供良好的服务,以获得客户的认可,并与客户建立长期的合作关系。在广告公司客户管理中利用数据挖掘和软件工程技术实现高效的客户管理和客户服务,延长客户与企业的联络周期,提升客户对公司的认可度和满意度成为当前广告公司管理和发展面临的主要问题。数据挖掘技术的应用为使用数据挖掘技术的公司客户管理提供了新的技术支持。从广告公司客户数据中提取出有价值的潜在的客户信息,为客户市场的拓展和竞争力提升提供有力的技术支撑。基于此,本文研究了基于数据挖掘技术的广告公司客户管理系统的设计与开发。本文设计的广告的公司客户管理系统以数据挖掘技术为基础并基于互联网技术设计开发,分析了广告公司客户管理系统的应用需求,确定客户管理系统的功能模块,分析了客户管理系统各功能模块的业务流程,分析了系统的用户权限设置,阐述了客户管理系统的功能用例。同时,论文分析了客户管理系统的功能结构设计和网络结构设计,对客户管理系统各功能模块进行了详细设计分析,阐述分析了数据挖掘技术和数据库表格设计,并采用ASP.NET设计实现了客户管理系统。基于数据挖掘技术的广告公司客户管理系统实现了客户信息、客户业务、客户服务、客户挖掘、客户流失、工作辅助的管理等功能,实现了广告公司的客户分类管理和服务沟通管理平台,提升了客户管理品质,为公司发展提供决策辅助支持。基于数据挖掘技术的广告公司客户管理系统设计与开发,能从已有的客户数据信息中,通过数据挖掘技术,可以提取,处理,分析和加工客户数据,为公司发展提供决策支持。
朱悦[5]（2020）在《农田土壤采样布局优化算法研究》文中研究指明精准施肥通过获取土壤养分含量,针对不同土壤不同作物进行平衡施肥。但是,大量的土壤养分采集和化验会增加农作物的种植成本,因此,合理划分采样网格,减少采样数量是十分必要的。科技的进步带动着各行各业的技术发展,而数据挖掘技术在各个行业领域的应用也日益风靡,主要的应用领域有各个传统行业、金融业、IT业等。数据挖掘与精准施肥技术相结合目前是本论文研究的重点内容。在农田作业施肥这一重要工作时,若可以根据作物以及土壤的实际情况来合理使用养料,可以更有效的促进作物的成长,同时有可能在节约养料和环境保护的问题上做出较大贡献。针对精准施肥这一个问题,数据挖掘技术可以根据土壤养分的采样样本对土壤单元进行重新聚类划分,根据划分的结果,务农人员就可以根据新的土壤分块进行重新采样,再进行针对性的施肥。这样可以大大减少了采样的个数,从而使采样以及化验成本降低,可以促使这一精准施肥的方案能够普及到各个地方。本文首先采用灰色模型对土壤养分含量进行了预测,并考虑到实际空间中各个对象之间的影响,针对模型缺少空间信息的特点,增加了空间自相关系数,对灰色模型进行了改进,改进后预测平均准确率达到87.2%,然后运用数据挖掘聚类算法中的K-means算法,以土壤中采样点的氮、磷、钾含量为数量依据,对各个采样点进行聚类,相邻的采样单元融为一个新的单元,这样将原有的采样布局进行了重新划分,并有效的减少了采样点个数,再次进行采样的时候就可以根据新的布局进行采样,即可达到效果。预测后的数据和实际数据聚类结果相似程度达到了87.6%,因此,此方法可应用到实际中去。本研究的数据采集是通过GIS技术的支持来获取土壤中养分含量信息,对吉林省榆树市弓棚镇十三号村试验田进行了四年的采样结果进行了预测和采样的优化布局,然后根据新的采样结果形成新的采样布局地形分布图,最后大大降低了采样成本,对农田进行精准施肥。试验过程中,主要利用R语言的数据挖掘统计功能,将预测结果的采样点布局优化后,再与实际值的采样点布局优化进行对比分析。通过对比分析可知,预测结果准确率高,预测后结果与实际值的聚类布局优化结果相差较小,因此,该算法对实际参考具有很高的价值,可以为相关部门提供参考依据。
邹俊韬[6]（2020）在《基于半监督学习的不确定决策树研究及应用》文中进行了进一步梳理随着数据挖掘在工业军事等领域的广泛应用,人们对数据之中蕴含的不确定性的认识越发深入,对于不确定数据挖掘的研究也广泛开展。不确定数据挖掘是一种正在蓬勃发展的新型研究方向,其通过分析数据之中的不确定性,从中得到有效信息,并在许多应用领域都有着很好的研究前景。本文主要研究结合决策树分类器和证据理论框架对不确定数据进行分类,具体工作如下:首先,本文提出了一种基于不确定数据的证据决策树算法,用以解决对具有高冲突的证据来源的不确定数据的分类问题。首先通过证据间的差异计算折扣因子,以此对来源不可靠的证据进行折扣。其次结合信度转换模型将折扣后的证据信度转换为pignistic概率,用于计算决策树节点中不确定数据的信息熵。实验结果表明该算法相比现有的决策树算法能够提升对高冲突的不确定数据的分类准确度。其次,提出了一种基于半监督自训练的证据决策树算法,将信度决策树作为基础训练器引入自训练学习之中,用以解决少量标记样本的不确定数据分类问题。使用结合Jousselme距离与概率的判别方式,对预测的未标记样本数据进行筛选。选择高置信度的预测样本加入训练集中,使得训练出的基础分类器有较高的准确性,提高自训练方法的泛化性能。在UCI数据集的实验中表明该算法能够在从未标记的数据中能得到较好的效果,分类准确度相较现有的一些决策树分类器有所提升。最后,结合基于自训练的证据决策树算法与作战不确定性建模技术,设计并实现了基于自训练证据决策树的决策生成系统。从系统需求分析、框架设计等方面详细阐述系统,并给出系统运行实例。
杨夏菲[7]（2020）在《基于决策树方法的吸毒群体分类研究 ——以吸毒与违法、犯罪的关系为视角》文中研究说明吸毒问题是一个世界范围内的难题,公共卫生、犯罪学、心理学等多个领域的学者对此问题进行了探讨。吸毒不仅对吸毒者本人的身心功能、生活环境、社会境遇有消极影响,还会对社会的公共卫生和违法犯罪情况产生负面作用影响,而且目前还没有成熟有效的预防和矫治方案。特别是现今毒品的成本低、可得性高、迷惑性强,个体一旦卷入吸毒行为,极有可能终身改变其人生轨迹。其中尤为引人注意的是,吸毒行为常常伴随着违法犯罪行为,这两种行为会相互影响和加剧。当个体同时有吸毒和违法犯罪行为时,对其自身和社会的危害比只有吸毒行为或者违法犯罪行为时大很多,因此对这两种行为是否共发以及共发类型的识别有着重要意义。本研究从生命历程视角来探讨个体吸毒和违法犯罪行为,从这个角度出发不仅可以尽可能全面的纳入不同方面和不同阶段的影响因素,同时还把这些影响因素的关系和作用方式纳入考虑中,从而识别不同影响因素的相对重要性。这为吸毒和违法犯罪的预防和矫治提供了新的思路。研究共包括两个部分,将在访谈并定性分析吸毒群体可能的分类和背后的机制的基础上,对吸毒群体不同亚群体的影响因素作用方式和相对重要性进行定量考察。具体来说:（1）研究一在已有文献的基础上编制了一套访谈稿,由九个部分组成:第一部分由人口统计学和社会经济地位相关问题组成;第二部分主要了解参与者早期气质、情绪、行为倾向和品行障碍相关问题;第三和第四部分涉及访谈对象吸毒和违法犯罪前的家庭氛围、父母影响、兄弟姐妹等方面的问题;第五部分主要询问童年和青少年时期的朋友和同学关系;第六部分着重了解参与者的教育经历;第七部分对访谈对象的吸毒、违法、犯罪行为相关内容进行了解;第八部分更进一步的了解了参与者的吸毒情况;第九部分主要是开放式谈论早年的压力水平和转折点事件。完成深度访谈后,基于扎根理论方法,通过Nvivo软件对访谈数据进行了定性分析,了解了吸毒者的吸毒和其他违法犯罪行为发生发展过程。对吸毒群体的不同亚群体（仅吸毒、吸毒+违法、吸毒+犯罪）各自的影响因素和可能的作用方式进行了提炼。（2）研究二则采用决策树方法,通过定量研究,对定性研究提取的分类方式和形成机制进行验证,建立了预测准确率较高的决策树模型,一共有33个变量进入决策树,个体偏差行为是最重要的预测变量。次重要的变量有母亲情感温暖理解、母亲惩罚严厉、个体易恐惧性、父亲信任以及与老师交流情况。虽然多个变量共同作用和塑造了吸毒者三类亚群体的不同发展路径,但三类亚群体存在明显不同。对于吸毒组,个体学业投入和表现、受教育程度和父母身体攻击没有显着预测作用。对于吸毒+违法组,个体激活控制、愉悦敏感性、高强度愉悦性、父母疏离和同伴沟通没有显着预测作用。对于吸毒+犯罪组,母亲惩罚严厉、父亲偏爱被试和父母言语攻击没有显着预测作用。总体而言,本研究初步探索了从有无违法和犯罪行为的角度对吸毒群体进行了分类的可能,将决策树方法用于吸毒群体的分类研究中,同时纳入多个水平的自变量,建立了预测效果较好的决策树模型,揭示了不同变量的作用方式和相对重要性,有助于了解吸毒群体三类亚群体的预测路径。
王梓萱[8]（2020）在《决策树分类方法在医疗数据中的应用》文中指出人类社会已经进入大数据时代,使用数据分析方法研究问题已成为普遍共识。随着医疗数据的不断发展,对医疗数据进行分析建模有广泛的应用前景。疾病诊断相关分组方案（又称为DRGs分组）是国际上比较公认的科学合理的分组方法,能够促进医疗资源的合理分配,减轻患者的负担。但我国目前缺乏较完善的DRGs分组理论体系,需要结合实际国情和医疗数据的具体情况研发出一套较合适的对患者数据进行分组的方法。基于此,本论文利用数据挖掘方法,使用决策树模型对医疗数据进行拟合,达到对医疗数据分组的目的。首先,本文介绍了决策树模型的基本理论知识,讨论了 ID3、C4.5、CART、CHAID和E-CHAID五种主要决策树生成算法及其特点,并给出了对决策树进行剪枝的算法,用一个实例直观地展示了决策树模型生成的完整过程。接下来,论文介绍了数据的来源、数据的规模以及对数据进行预处理的过程。数据预处理主要包括数据集中变量的筛选、清洗和整合。通过预处理,可以获取对患者住院总费用有重要影响的变量指标,并使数据中所有变量全部为数值型变量且不含有缺失值,从而可以直接用于决策树模型的拟合,为后续的研究做进一步准备。然后,本论文采用了 CHAID、E-CHAID、CART三种决策树算法拟合处理后的数据,以图表的形式完整地呈现了所得模型的分组结果。最后,论文利用统计学方法对模型的分组效果进行了检验,并在各个方面上进行比较。结果显示,这三种算法所得模型在训练数据集上的交叉验证结果相近,在测试集上的总平方损失也无明显区别。但基于CHAID算法构建的模型过于复杂,因此我们认为基于E-CHAID和CART算法构建的模型是更优的。这两种模型都将患者数据分成9组。总体而言,论文对于医疗数据的DRGs分组提出了一些新观点和新见解,利用数据挖掘方法设计了一套完整的研究方案,并采用了多种统计分析软件进行实践。研究成果有一定的综合性和创新性,可以为更一般的医疗数据的处理和分析过程提供参考。
贾涛[9]（2019）在《基于McDiarmid不等式的决策树分类方法研究与应用》文中进行了进一步梳理随着信息技术和大数据的不断发展,数据流模型被广泛应用于社会生产和生活的各个领域。因此,数据流的收集和分析就变得至关重要。数据流的爆炸性增长,使得研究者需要更大的内存来存储这些数据流。然而,使用传统的数据挖掘技术很难处理数据流,并且不可能从大量数据流中提取有价值的信息。如今,研究者使用增量决策树方法来处理数据流分类问题,这是挖掘大量数据流中有用信息的方法之一。本文首先对数据流决策树分类方法的相关知识进行概述,包括数据流的定义、概念、特征等。其次介绍了现有的决策树分类方法,主要包括单分类决策树方法和集成分类决策树方法。然后研究基于McDiarmid不等式的数据流决策树分类算法。最后设计实现基于决策树分类方法的城市用户行为分析验证平台。本文的主要贡献如下:（1）首先介绍数据流的概念、特点和处理方式等基本知识。其次,对现阶段用于处理数据流的分类方法,包括决策树、支持向量机、贝叶斯、神经网络、KNN和关联/分类规则进行分析比较。接下来分析数据流决策树分类方法,包括单分类决策树方法和集成分类决策树方法。其中,单分类决策树方法包括快速决策树、快速决策树的衍生算法和其它类型的决策树算法。集成分类决策树方法包括基于Hoeffding不等式的集成分类方法、随机决策树衍生的集成分类方法和其它类型集成分类方法。（2）针对Hoeffding不等式处理数据流时间过长,并且在属性分裂度量方面存在不足等问题。比如信息增益和基尼指数,不能表示为实数值随机变量的和,其中,1≤≤,表示属性数是具有一定分布的实数值随机变量。为了进一步提高分类性能,本文提出了一种基于McDiarmid不等式的数据流决策树分类算法（McDiarmid Decision Tree,McDDT）,并研究使用t进行属性分类度量。该算法与经典决策树算法相比,在分类准确率升高或者几乎保持不变的情况下,算法运行时间明显减少,生成决策树的节点数与层数明显降低。（3）本文设计了一种基于McDDT算法的用户到访行为分析验证平台,该平台采用Python语言基于Tkinter框架设计的。主要向用户提供了数据处理、数据分析和结果显示等核心功能,用于实现用户所到行政区的预测分析功能。
李渊[10]（2019）在《研究生招生数据分析系统的研究与应用》文中研究说明随着高等学校研究生教育制度的改革与发展,我国研究生招生规模不断扩大,招生数据量持续增加。研究生招生管理的数据分析需求日益紧迫。如何利用数据挖掘技术,将历史研究生招生数据转化为对教学管理有价值的信息,显得尤为重要。因此,将数据挖掘技术应用到研究生招生系统中,辅助高校招生,是一个好的应用及创新。本文在数据挖掘技术、关联规则算法及决策树算法的基础上,提出高校研究生数据分析与数据挖掘技术相结合的思想。在原有的普通高校招生管理系统基础上,融合数据挖掘技术,建立高校研究生数据模型;其次,以某高校研究生学院近几年报到情况为基础数据,对数据进行采集、整合和预处理,将原始数据分成训练集和测试集,运用数据挖掘中的关联规则、决策树等技术对这些数据分析,找到有价值的信息;最后,采用Apriori算法分别计算训练集数据中主要属性的支持度与置信度。通过设定阈值分析影响新生报到的主要因素和各因素之间关联程度,通过测试数据集来验证正确性。再选择C4.5算法,分别计算训练集数据的信息熵和信息增益率,建立决策树并剪枝,得到决策模型,运用测试集数据对模型进行验证和完善。本文主要将数据挖掘技术应用到研究生分析系统中。利用数据挖掘的关联规则和决策树方法对研究生信息分析,得到理想的、有价值的规律及结论,挖掘结果基本上符合高校招生的规律。从而实现了数据挖掘技术在某大学研究生招生数据分析系统的应用,同时改善了研究生招生传统的流程与方式,提高了研究生招生管理的效率和质量。
二、数据挖掘之决策树方法概述（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、数据挖掘之决策树方法概述（论文提纲范文）
（1）基于话单大数据的成员组织关系智能分析方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 创新点摘要 |
| 第一章 绪论 |
| 1.1 选题目的与意义 |
| 1.2 国内外研究概况 |
| 1.2.1 国内外研究现状分析 |
| 1.2.2 通信话单数据分析研究发展现状 |
| 1.3 研究内容与组织方式 |
| 1.3.1 研究内容 |
| 1.3.2 论文组织方式 |
| 1.4 本章小结 |
| 第二章 话单成员组织关系模型的设计 |
| 2.1 话单成员组织关系模型总体框架设计 |
| 2.1.1 话单成员手机话单业务情况分析 |
| 2.1.2 话单成员组织关系智能分析方法研究 |
| 2.1.3 目前存在问题 |
| 2.1.4 目标任务的确立与描述 |
| 2.1.5 话单成员组织关系模型总体框架结构 |
| 2.2 话单成员组织关系模型的详细框架设计 |
| 2.2.1 通信话单有效影响因素筛选框架 |
| 2.2.2 话单成员组织关系算法框架 |
| 2.3 话单成员组织关系模型的实现方法 |
| 2.3.1 话单成员组织关系总体组成 |
| 2.3.2 话单成员组织关系详细组成 |
| 2.4 本章小结 |
| 第三章 话单成员组织关系有效影响因素筛选 |
| 3.1 被分析人通信话单原始数据分析 |
| 3.1.1 业务信息 |
| 3.1.2 数据信息 |
| 3.1.3 话单成员组织关系相关数据组成 |
| 3.2 数据初步处理 |
| 3.2.1 噪声数据处理 |
| 3.2.2 数据形式转换 |
| 3.3 通信话单有效影响因素筛选方法研究 |
| 3.3.1 最大信息系数法 |
| 3.3.2 卡方检验分析法 |
| 3.4 重点人员判定 |
| 3.5 本章小结 |
| 第四章 话单成员组织关系算法的设计 |
| 4.1 话单成员组织关系算法研究 |
| 4.1.1 多种数据挖掘成员组织关系分析算法的比较与研究 |
| 4.1.2 决策树算法的选定与改进 |
| 4.2 话单成员组织关系挖掘模型 |
| 4.2.1 组织成员关系挖掘模型的生成 |
| 4.2.2 组织成员关系挖掘模型的优化 |
| 4.2.3 模式挖掘结果的置信度 |
| 4.3 实验结果分析 |
| 4.3.1 C4.5决策树算法的改进 |
| 4.3.2 成员组织关系模型的生成 |
| 4.4 本章小结 |
| 第五章 话单成员组织关系系统的设计与实现 |
| 5.1 系统的设计 |
| 5.1.1 系统设计思想 |
| 5.1.2 系统总体结构 |
| 5.1.3 系统开发与运行环境配置 |
| 5.1.4 系统详细设计 |
| 5.2 系统的实现及应用效果 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 发表文章目录 |
| 致谢 |
（2）基于多源数据挖掘的公交IC卡乘客下车站点识别及应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 缺失公交到站数据修补研究现状 |
| 1.2.2 公交IC卡乘客下车站点识别研究现状 |
| 1.2.3 轨道交通沿线待调整公交线路选择研究现状 |
| 1.3 主要研究内容和章节安排 |
| 1.3.1 本文的主要研究内容 |
| 1.3.2 本文结构 |
| 第2章 基于多源数据和DBSCAN算法的缺失公交到站数据修补 |
| 2.1 数据字典及问题形式化描述 |
| 2.1.1 数据字典 |
| 2.1.2 问题形式化描述 |
| 2.2 缺失公交到站数据修补方法 |
| 2.2.1 缺失公交到站名称、经纬度修补 |
| 2.2.2 缺失公交到站时刻修补 |
| 2.2.3 方法的理论分析与比较 |
| 2.3 实例分析 |
| 2.3.1 实例分析对象和数据集介绍 |
| 2.3.2 评价方法和指标 |
| 2.3.3 实验参数的设置 |
| 2.3.4 实例结果 |
| 2.3.5 结果分析 |
| 2.4 本章小结 |
| 第3章 基于两层Stacking框架的出行链断裂时公交IC卡乘客下车站点识别 |
| 3.1 数据字典及问题形式化描述 |
| 3.1.1 数据字典 |
| 3.1.2 问题形式化描述 |
| 3.2 出行链断裂时IC卡乘客下车站点识别 |
| 3.2.1 Stacking框架第一层中各方法的介绍 |
| 3.2.2 Stacking框架第二层Logistic回归模型的介绍 |
| 3.2.3 方法的理论分析与比较 |
| 3.3 实例分析 |
| 3.3.1 实例分析对象和数据集介绍 |
| 3.3.2 评价方法和指标 |
| 3.3.3 实验参数的设置 |
| 3.3.4 实例结果 |
| 3.3.5 结果分析 |
| 3.4 本章小结 |
| 第4章 基于公交IC卡数据的轨道交通沿线待调整常规公交线路选择 |
| 4.1 数据字典及问题形式化描述 |
| 4.1.1 数据字典 |
| 4.1.2 问题形式化描述 |
| 4.2 轨道交通沿线待调整常规公交线路选择 |
| 4.2.1 指标的介绍 |
| 4.2.1.1 指标的定义 |
| 4.2.1.2 指标一致化处理 |
| 4.2.2 超效率DEA模型的建立和求解 |
| 4.2.3 方法的理论分析与比较 |
| 4.3 实例分析 |
| 4.3.1 实例分析对象和数据集介绍 |
| 4.3.2 评价方法和指标 |
| 4.3.3 实验参数的设置 |
| 4.3.4 实例结果 |
| 4.3.5 结果分析 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 主要内容总结和创新点 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文及研究成果 |
| 个人简历 |
| 攻读硕士学位期间发表（录用）论文情况 |
| 攻读硕士学位期间参与申请的发明专利 |
| 攻读硕士学位期间参与申请的软件着作权 |
| 攻读硕士学位期间参与比赛的获奖情况 |
| 攻读硕士学位期间参与项目情况 |
| 攻读硕士学位期间获得荣誉 |
（3）基于GA的CART决策树改进算法与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 本论文主要研究内容 |
| 1.4 本章总结 |
| 第二章 数据挖掘概述 |
| 2.1 数据挖掘的相关理论 |
| 2.2 数据挖掘常见的分类算法 |
| 2.2.1 神经网络方法 |
| 2.2.2 粗糙集理论方法 |
| 2.2.3 聚类 |
| 2.2.4 关联规则 |
| 2.2.5 统计分析方法 |
| 2.2.6 回归分析 |
| 2.2.7 决策树方法 |
| 2.3 本章总结 |
| 第三章 决策树分类技术 |
| 3.1 决策树的定义和结构 |
| 3.2 决策树的构造过程 |
| 3.3 常用的决策树算法简介 |
| 3.3.1 ID3算法简介 |
| 3.3.2 C4.5算法 |
| 3.3.3 CART算法 |
| 3.3.4 决策树的应用 |
| 3.4 本章总结 |
| 第四章 基于遗传算法的CART优化的研究 |
| 4.1 引言 |
| 4.2 遗传算法介绍 |
| 4.3 基于遗传算法的CART算法的研究分析 |
| 4.3.1 基于遗传算法的CART算法的基本原理 |
| 4.3.2 基于遗传算法的CART算法的基本步骤 |
| 4.3.3 基于遗传算法的CART算法的实现 |
| 4.4 算法验证 |
| 4.4.1 数据说明 |
| 4.4.2 基于CART算法的决策树分类 |
| 4.4.3 基于上层遗传算法优化分类规则的CART分类 |
| 4.4.4 基于双层遗传算法优化CART算法的过程 |
| 4.5 实验结果 |
| 第五章 总结和展望 |
| 参考文献 |
| 附录:算法用到的相关函数介绍 |
| 致谢 |
（4）基于数据挖掘技术的广告客户管理系统设计与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景与意义 |
| 1.2 研究现状分析 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 研究的主要内容 |
| 1.4 论文的章节安排 |
| 第二章 相关技术分析 |
| 2.1 系统开发语言ASP.NET |
| 2.2 系统B/S体系结构 |
| 2.3 数据库管理技术 |
| 2.4 数据挖掘技术 |
| 2.5 本章小结 |
| 第三章 数据挖掘技术在客户管理系统中的应用 |
| 3.1 概述 |
| 3.2 数据挖掘技术应用 |
| 3.2.1 建立分析模型 |
| 3.2.2 数据清洗 |
| 3.2.3 决策树分析算法 |
| 3.2.4 客户分类方法 |
| 3.3 数据挖掘技术的应用 |
| 3.3.1 客户挖掘实现步骤 |
| 3.3.2 客户流失分析步骤 |
| 3.4 本章小结 |
| 第四章 客户管理系统需求分析 |
| 4.1 现状分析 |
| 4.2 客户管理系统功能需求和用例分析 |
| 4.2.1 客户信息管理功能需求和用例分析 |
| 4.2.2 客户业务管理功能需求和用例分析 |
| 4.2.3 客户服务管理功能需求和用例分析 |
| 4.2.4 数据挖掘功能需求和用例分析 |
| 4.2.5 客户流失管理功能需求和用例分析 |
| 4.2.6 辅助管理功能需求和用例分析 |
| 4.3 客户管理系统性能需求分析 |
| 4.4 业务流程分析 |
| 4.4.1 客户信息管理业务流程 |
| 4.4.2 客户业务管理业务流程 |
| 4.4.3 客户服务管理业务流程 |
| 4.4.4 客户挖掘管理业务流程 |
| 4.4.5 客户流失管理业务流程 |
| 4.4.6 辅助管理业务流程 |
| 4.5 本章小结 |
| 第五章 客户管理系统设计 |
| 5.1 客户管理系统设计目标 |
| 5.2 系统总体结构设计 |
| 5.3 客户管理系统详细设计 |
| 5.3.1 系统类图设计 |
| 5.3.2 客户管理系统时序图设计 |
| 5.4 系统数据库设计 |
| 5.5 本章小结 |
| 第六章 客户管理系统实现 |
| 6.1 系统登录功能实现 |
| 6.2 客户信息管理功能实现 |
| 6.3 客户业务管理功能实现 |
| 6.4 客户服务管理功能实现 |
| 6.5 客户挖掘管理功能实现 |
| 6.6 客户流失管理功能实现 |
| 6.7 辅助管理功能实现 |
| 6.8 本章小结 |
| 第七章 系统测试分析 |
| 7.1 客户管理系统功能测试 |
| 7.2 本章小结 |
| 第八章 总结与展望 |
| 8.1 总结 |
| 8.2 展望 |
| 致谢 |
| 参考文献 |
（5）农田土壤采样布局优化算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 绪论 |
| 第一章 研究背景以及意义 |
| 1.1 精准农业的研究现状和意义 |
| 1.2 精准施肥的国内外研究现状 |
| 1.3 土壤采样布局优化的研究现状和意义 |
| 第二章 相关算法及技术 |
| 2.1 数据挖掘技术 |
| 2.1.1 数据挖掘的背景 |
| 2.1.2 数据挖掘的定义 |
| 2.1.3 数据挖掘的对象 |
| 2.1.4 数据挖掘的一般过程 |
| 2.1.5 数据挖掘的一般方法 |
| 2.2 灰色模型 |
| 2.2.1 灰色模型定义 |
| 2.2.2 灰色模型的特点 |
| 2.3 聚类算法 |
| 2.3.1 聚类算法的定义 |
| 2.3.2 主要的聚类算法 |
| 2.4 数据分析环境 |
| 2.4.1 R语言简介 |
| 2.4.2 R语言具体应用 |
| 2.4.3 R语言特点 |
| 2.5 地理信息系统(GIS)相关技术应用 |
| 2.5.1 定义以及发展状况 |
| 2.5.4 在精准农业上的应用 |
| 第三章 数据采集和预处理 |
| 3.1 GIS和 GPS数据采集 |
| 3.1.1 数据采集中GIS的应用 |
| 3.1.2 数据采集中GPS的应用 |
| 3.2 数据采样 |
| 3.3 数据预处理 |
| 第四章 土壤养分含量预测与分析 |
| 4.1 土壤的空间自相关分析 |
| 4.1.1 空间邻接矩阵 |
| 4.1.2 单位地块之间空间自相关显着性检验 |
| 4.2 养分含量的预测模型建立 |
| 4.2.1 模型建立的主要思想 |
| 4.2.2 改进的灰色模型 |
| 4.3 养分含量的预测与实验结果分析 |
| 第五章 采样点布局优化 |
| 5.1 K-Means算法应用背景及概念 |
| 5.2 K-Means算法实现步骤 |
| 5.3 土壤采样优化布局步骤 |
| 5.4 聚类结果与分析 |
| 5.5 采样布局优化结果分析 |
| 结论 |
| 参考文献 |
| 作者简介 |
| 致谢 |
（6）基于半监督学习的不确定决策树研究及应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 不确定性数据研究现状 |
| 1.2.2 半监督学习研究现状 |
| 1.3 主要研究内容和论文结构 |
| 第二章 相关理论和基础技术 |
| 2.1 不确定数据表示方法 |
| 2.1.1 证据理论 |
| 2.1.2 模糊集理论 |
| 2.2 决策树分类模型 |
| 2.2.1 决策树分类基础 |
| 2.2.2 C4.5 决策树 |
| 2.2.3 基于不确定数据的决策树 |
| 2.3 半监督分类理论 |
| 2.3.1 半监督学习概述 |
| 2.3.2 半监督分类算法 |
| 2.4 本章小结 |
| 第三章 基于不确定数据的证据决策树(ED-BDT) |
| 3.1 基于证据理论的不确定数据表述方法及分析 |
| 3.2 基于不确定数据的ED-BDT证据决策树 |
| 3.2.1 基于高冲突不确定数据的证据融合方法 |
| 3.2.2 ED-BDT模型构建方法 |
| 3.2.3 ED-BDT具体实现 |
| 3.3 实验设置与结果分析 |
| 3.3.1 实验设置 |
| 3.3.2 结果分析 |
| 3.4 本章小结 |
| 第四章 基于半监督自训练方法的证据决策树(STED-BDT) |
| 4.1 对于决策树模型的自训练分析 |
| 4.2 基于半监督自训练的证据决策树STED-BDT |
| 4.2.1 STED-BDT模型 |
| 4.2.2 STED-BDT具体实现 |
| 4.3 实验设置与结果分析 |
| 4.3.1 实验设置 |
| 4.3.2 结果分析 |
| 4.4 本章小结 |
| 第五章 基于STED-BDT的决策生成系统设计及实现 |
| 5.1 基于自训练证据决策树的指挥决策生成模型 |
| 5.1.1 不确定性作战数据收集 |
| 5.1.2 基于不确定战场台式的决策模型 |
| 5.2 决策生成系统设计与实现 |
| 5.2.1 需求分析 |
| 5.2.2 系统总体框架设计 |
| 5.2.3 功能模块设计 |
| 5.2.4 关键技术实现 |
| 5.2.5 系统实现 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
（7）基于决策树方法的吸毒群体分类研究 ——以吸毒与违法、犯罪的关系为视角（论文提纲范文）
| 摘要 |
| abstract |
| 引言 |
| 第一章 文献综述 |
| 1.1 吸毒的研究综述 |
| 1.1.1 吸毒的概念界定 |
| 1.1.2 吸毒的影响因素及相关研究 |
| 1.2 违法和犯罪关系的研究综述 |
| 1.2.1 违法和犯罪的概念及界定 |
| 1.2.2 违法和犯罪关系的相关研究 |
| 1.3 吸毒、违法和犯罪关系的研究综述 |
| 1.4 吸毒、违法和犯罪的相关理论 |
| 1.5 吸毒、违法和犯罪行为的影响因素 |
| 第二章 问题提出 |
| 2.1 对已有研究的总结及问题提出 |
| 2.2 研究目的 |
| 2.3 研究意义 |
| 2.3.1 理论意义 |
| 2.3.2 实践意义 |
| 第三章 研究一:定性研究 |
| 3.1 研究目的 |
| 3.2 研究方法 |
| 3.2.1 扎根理论方法的基本概念 |
| 3.2.2 扎根理论研究的基本过程 |
| 3.2.3 扎根理论方法的应用 |
| 3.2.4 被试选取 |
| 3.2.5 研究工具与程序 |
| 3.2.6 数据处理 |
| 3.3 结果与分析 |
| 3.3.1 仅吸毒群体的影响因素 |
| 3.3.2 吸毒+违法群体的影响因素 |
| 3.3.3 吸毒+犯罪群体的影响因素 |
| 3.3.4 三类吸毒群体影响因素的对比 |
| 3.4 结论 |
| 第四章 研究二:定量研究 |
| 4.1 研究目的 |
| 4.2 研究假设 |
| 4.3 研究变量 |
| 4.4 研究方法 |
| 4.4.1 决策树方法的基本概念 |
| 4.4.2 决策树的建构和评估过程 |
| 4.4.3 决策树方法的应用 |
| 4.5 被试选取 |
| 4.6 研究工具 |
| 4.6.1 测量问卷 |
| 4.6.2 统计处理 |
| 4.7 结果与分析 |
| 4.7.1 描述性统计结果 |
| 4.7.2 决策树模型及预测结果 |
| 4.7.3 决策树结果分析 |
| 4.8 结论 |
| 第五章 总讨论 |
| 5.1 个体偏差行为 |
| 5.2 个体早期气质 |
| 5.3 家庭因素 |
| 5.3.1 父母教养方式与惩罚一致性 |
| 5.3.2 父母依恋 |
| 5.3.3 家庭冲突 |
| 5.4 学校因素 |
| 5.4.1 与老师的关系质量 |
| 5.4.2 学校归属感 |
| 5.4.3 学业投入\表现和受教育程度 |
| 5.4.4 校园经历 |
| 5.5 同伴因素 |
| 5.5.1 同伴依恋 |
| 5.5.2 不良同伴关系 |
| 5.6 转折点事件 |
| 5.7 研究局限与未来展望 |
| 第六章 研究结论 |
| 参考文献 |
| 附录 |
| 附录1 :访谈大纲(部分) |
| 附录2 :青少年早期气质量表(部分) |
| 附录3 :父母教养方式量表(部分) |
| 附录4 :父母依恋量表(部分) |
| 附录5 :同伴依恋量表(部分) |
| 后记 |
（8）决策树分类方法在医疗数据中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 目前国内外研究现状 |
| 1.3 论文的主要内容和章节安排 |
| 第2章 决策树算法的基本理论 |
| 2.1 决策树的基本概念 |
| 2.2 几种常见的决策树算法 |
| 2.2.1 ID3算法 |
| 2.2.1.1 信息增益 |
| 2.2.1.2 ID3的生成算法 |
| 2.2.2 C4.5算法 |
| 2.2.2.1 C4.5算法概述 |
| 2.2.2.2 C4.5算法的改进与推广 |
| 2.2.3 CART算法 |
| 2.2.3.1 CART分类树算法 |
| 2.2.3.2 CART回归树算法 |
| 2.2.4 CHAID算法与E-CHAID算法 |
| 2.3 决策树的剪枝 |
| 2.3.1 ID3与C4.5的剪枝算法 |
| 2.3.2 CART剪枝算法 |
| 2.4 决策树模型的应用实例 |
| 2.5 本章小结 |
| 第3章 数据的预处理与分析 |
| 3.1 数据的来源 |
| 3.2 变量的筛选与预处理过程 |
| 3.2.1 变量的筛选 |
| 3.2.2 变量的预处理 |
| 3.3 变量的整合与数据的统计分析 |
| 3.3.1 变量的整合 |
| 3.3.2 数据的统计分析 |
| 3.4 本章小结 |
| 第4章 决策树算法在医疗数据中的应用成果 |
| 4.1 数据集的划分 |
| 4.2 使用CHAID算法得到的分组模型结果 |
| 4.3 使用E-CHAID算法得到的分组模型结果 |
| 4.4 使用CART算法得到的分组模型结果 |
| 4.5 模型分组效果的检验 |
| 4.5.1 利用CHAID算法所得分组模型的检验 |
| 4.5.2 利用E-CHAID算法所得分组模型的检验 |
| 4.5.3 利用CART算法所得分组模型的检验 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（9）基于McDiarmid不等式的决策树分类方法研究与应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 引言 |
| 1.1 研究目的和意义 |
| 1.2 研究现状 |
| 1.3 主要研究内容 |
| 第二章 数据流决策树分类 |
| 2.1 数据流概述 |
| 2.2 决策树分类算法 |
| 2.3 本章小结 |
| 第三章 基于McDiarmid不等式的决策树算法研究 |
| 3.1 背景知识 |
| 3.2 属性度量选择 |
| 3.3 McDDT算法的研究 |
| 3.4 实验与分析 |
| 3.5 本章小结 |
| 第四章 决策树分类算法验证平台的设计与实现 |
| 4.1 平台概述 |
| 4.2 数据处理 |
| 4.3 行为分析平台的设计与实现 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 未来展望 |
| 参考文献 |
| 致谢 |
| 个人简介与撰写论文情况 |
| 附件 |
（10）研究生招生数据分析系统的研究与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 数据挖掘技术研究现状 |
| 1.3.2 研究生招生系统研究现状 |
| 1.3.3 本文的创新 |
| 1.4 论文组织结构 |
| 本章小结 |
| 第二章 数据挖掘理论基础 |
| 2.1 数据挖掘概括 |
| 2.1.1 数据挖掘的起源 |
| 2.1.2 数据挖掘的定义 |
| 2.2 数据挖掘方法 |
| 2.2.1 数据挖掘过程 |
| 本章小结 |
| 第三章 数据挖掘相关技术及经典算法 |
| 3.1 关联规则挖掘相关技术 |
| 3.1.1 关联规则背景及简述 |
| 3.1.2 关联规则的定义 |
| 3.1.3 Apriori算法 |
| 3.2 决策树技术 |
| 3.2.1 决策树分类 |
| 3.2.2 决策树的构建 |
| 3.2.3 ID3算法 |
| 3.2.4 C4.5算法 |
| 本章小结 |
| 第四章 系统设计与数据建模 |
| 4.1 需求获取和需求分析 |
| 4.2 系统结构设计 |
| 4.3 数据库设计 |
| 4.3.1 数据库表的设计 |
| 4.4 数据建模 |
| 4.4.1 数据挖掘任务 |
| 4.4.2 数据挖掘模型建立 |
| 4.4.3 数据结果分析与决策制定 |
| 本章小结 |
| 第五章 数据挖掘算法在系统中应用 |
| 5.1 决策分析描述 |
| 5.2 数据准备工作 |
| 5.2.1 数据采集 |
| 5.2.2 数据预处理 |
| 5.3 关联规则分析 |
| 5.3.1 训练集与测试集 |
| 5.3.2 关联规则法建立决策模型 |
| 5.3.3 利用测试集数据验证挖掘模型 |
| 5.4 决策树挖掘 |
| 5.4.1 训练集和测试集 |
| 5.4.2 决策树方法建立决策模型 |
| 5.4.3 建立训练集的决策树模型 |
| 5.4.4 结果分析 |
| 本章小结 |
| 第六章 研究生管理系统的实现 |
| 6.1 基础管理功能模块 |
| 6.1.1 系统登录 |
| 6.1.2 主页管理 |
| 6.1.3 新生信息管理 |
| 6.1.4 新生报到管理 |
| 6.1.5 宿舍信息管理 |
| 6.2 分析功能模块 |
| 6.2.1 决策分析管理 |
| 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
四、数据挖掘之决策树方法概述（论文参考文献）
- [1]基于话单大数据的成员组织关系智能分析方法研究[D]. 焦海涛. 东北石油大学, 2020(03)
- [2]基于多源数据挖掘的公交IC卡乘客下车站点识别及应用[D]. 崔紫薇. 华侨大学, 2020(01)
- [3]基于GA的CART决策树改进算法与应用[D]. 刘亚芬. 广州大学, 2020(02)
- [4]基于数据挖掘技术的广告客户管理系统设计与实现[D]. 王婷. 电子科技大学, 2020(01)
- [5]农田土壤采样布局优化算法研究[D]. 朱悦. 吉林农业大学, 2020(03)
- [6]基于半监督学习的不确定决策树研究及应用[D]. 邹俊韬. 南京航空航天大学, 2020(07)
- [7]基于决策树方法的吸毒群体分类研究 ——以吸毒与违法、犯罪的关系为视角[D]. 杨夏菲. 中国政法大学, 2020(08)
- [8]决策树分类方法在医疗数据中的应用[D]. 王梓萱. 华北电力大学(北京), 2020(06)
- [9]基于McDiarmid不等式的决策树分类方法研究与应用[D]. 贾涛. 北方民族大学, 2019(04)
- [10]研究生招生数据分析系统的研究与应用[D]. 李渊. 大连交通大学, 2019(08)