|
研究生学位论文原创性声明 |
3-4 |
|
作者简介 |
4-5 |
|
摘要 |
5-6 |
|
ABSTRACT |
6-9 |
|
第一章 绪论 |
9-13 |
|
§1.1 机器学习概述 |
9-10 |
|
§1.2 机器学习的发展历史 |
10-11 |
|
§1.3 机器学习的研究领域 |
11-12 |
|
§1.4 课题研究内容及现状 |
12-13 |
|
第二章 机器学习 |
13-18 |
|
§2.1 机器学习的基本结构 |
13-14 |
|
§2.2 机器学习的分类 |
14-16 |
|
2.2.1 机械学习 |
14 |
|
2.2.2 示教学习 |
14-15 |
|
2.2.3 类比学习 |
15 |
|
2.2.4 解释学习 |
15-16 |
|
2.2.5 演绎学习 |
16 |
|
2.2.6 归纳学习 |
16 |
|
§2.3 学习任务举例及所获知识的表示 |
16-17 |
|
§2.4 机器学习性能的评价 |
17-18 |
|
第三章 归纳学习 |
18-27 |
|
§3.1 归纳学习概述 |
18 |
|
§3.2 归纳学习任务 |
18-20 |
|
§3.3 几种归纳学习算法 |
20-26 |
|
3.3.1 Find-S：寻找极大特殊假设 |
20-21 |
|
3.3.2 List-Then-Eliminate：列表后消除算法 |
21 |
|
3.3.3 Candidate-Then-Eliminate：侯选消除算法 |
21-24 |
|
3.3.4 SQ：序列覆盖算法 |
24-26 |
|
§3.4 本章小结 |
26-27 |
|
第四章 决策树学习 |
27-29 |
|
第五章 非叶结点属性的选择 |
29-38 |
|
§5.1 熵的解释 |
29-30 |
|
§5.2 熵和样例集的纯度 |
30 |
|
§5.3 测试属性的选择算法 |
30-33 |
|
5.3.1 RS(Random Selection) |
30-31 |
|
5.3.2 CIG(Category Information Gain) |
31 |
|
5.3.3 AIG(Attribute Information Gain) |
31 |
|
5.3.4 GR(Gain Ratio) |
31-32 |
|
5.3.5 CA(Cost of Attribute) |
32 |
|
5.3.6 IA(Importance of Attribute) |
32-33 |
|
5.3.7 MID3 |
33 |
|
§5.4 传统的CIG算法和新的AIG算法 |
33-38 |
|
5.4.1 CIG、AIG算法清单 |
33-35 |
|
5.4.2 CIG、AIG时间复杂度分析 |
35-36 |
|
5.4.3 CIG、AIG空间复杂度分析 |
36-37 |
|
5.4.4 小结 |
37-38 |
|
第六章 决策树的修剪 |
38-44 |
|
§6.1 事后修剪 |
38-40 |
|
6.1.1 错误率降低修剪(Reduced-error pruning) |
38 |
|
6.1.2 规则后修剪(Rule post-pruning) |
38-39 |
|
6.1.3 最小化错误率修剪法(Minimum error pruning) |
39-40 |
|
§6.2 事前修剪 |
40-41 |
|
6.2.1 深度限制法(Depth limit) |
40 |
|
6.2.2 卡方测试法(chi-square test) |
40-41 |
|
6.2.3 合并属性值法(Merge attribute-value) |
41 |
|
§6.3 两种新的事前修剪算法 |
41-44 |
|
6.3.1 基于结点支持度的事前修剪算法PDTBS |
41-42 |
|
6.3.2 基于结点纯度的事前修剪算法PDTBP |
42-43 |
|
6.3.3 PDTBS、PDTBP算法的分析 |
43-44 |
|
第七章 实验与结论 |
44-47 |
|
§7.1 实验 |
44-46 |
|
7.1.1 数据来源与描述 |
44-45 |
|
7.1.2 实验方案与结果 |
45-46 |
|
§7.2 结论 |
46-47 |
|
致谢 |
47-48 |
|
参考文献 |
48 |
