数据挖掘分类算法研究

本文首先介绍了数据分类的相关概念，分析了数据挖掘中的几种分类技术: 决策树分类、贝叶斯分类、神经网络分类、支持向量机分类，对其中最常用的 决策树分类算法进行了深入地研究。决策树是分类应用中采用最广泛的模型之 一，与神经网络和贝叶斯方法相比，一决策树无须花费大量的时间和进行上千次 的迭代来训练模型，适用于大规模数据集，除了训练数据中的信息外，不再需 要其他额外信息，表现了很好的分类精确度，以其规则易于提取和容易理解的 学硕士学位论文第一章绪论 优点得到了广泛应用。其核心问题是测试属性选择的策略，以及对决策树进行 剪枝。连续属性离散化和对高维大规模数据降维，也是扩展决策树算法应用范 围的关键技术。本文主要以决策树为研究对象，对传统决策树进行了改进，从 而扩大了决策树的应用范围。