决策树优选方法及其应用研究
在学校的教学管理工作中，特别是在对学生成绩管理时，由于数据庞大，门类复杂，对学生成绩的管理主要停留在各类统计与筛选阶段，如果能对这些大量的成绩数据进行更加深入地提炼分析，找寻其中隐含的有利于教学管理工作的信息，将会挖掘成绩信息更多更高的管理价值，而决策树法正是解决这个问题的一个有效的方法。本文介绍了决策树法的相关概念，数学模型与对成绩信息的再处理步骤与计算方法，介绍两种典型的算法: 算法和算法及其应用；重点运用决策树法中的算法对学生成绩进行管理，分析成绩优良与否受到哪些因素的影响，结合数学计算模型得到的相关数据，在其中挖掘成绩信息更多的应用价值，为提高教学管理质量提供数据证据的支撑；最后分析了决策树法的优缺点，以探索决策树法在更多方面的应用。关键词 数据挖掘，决策树，算法，算法，成绩分析
目 录
1引言 12
2 决策树方法概述 2
2.1 决策树的发展历史 23
2.2 决策树的相关概念 3
2.3绘制决策树34
2.4决策树的剪枝 4
2.5决策树的算法47
3 决策树在学生成绩管理中的应用及意义 7
3.1 学生成绩数据信息整理 79
3.2 决策树算法模型及计算912
3.3 决策树算法结果分析913
3.4 算法的改进 1314
4 决策树的优缺点14
4.1 决策树的优点1415
4.2 决策树的缺点15
结论 16
致谢 17
参考文献1819
1 引言
在随着信息计算科学和数据库技术持续发展的过程中，数据的存储量在各个实际应用领域的业务系统中正以惊人的速度增长，而对于企业决策者来说关键的信息便隐没在这些数据中等待我们去发掘。因此如果能够获得从这些大量数据中提取出对他们有价值的信息的工具对各个行业的人来说都是很有帮助的。就以日前数据库系统的发展速度来看，它们对数据的录入、查询和统计能够很好的实现，数据之间互相存在的关系和所蕴含的规律却往往不能被它们察觉，所以，对企业未来发展趋势的预测就不能在现有数据的基础上进行。在这类情况下，数 *好棒文|www.hbsrm.com +Q: @351916072@
据挖掘技术油然而生。
数据挖掘技术是从大量的、片面的、有干扰性的、不清楚的以及随机的实际应用数据中搜索一些有价值的、新颖的，人们事先不知道的信息或知识。它是数据库中知识发现的中心。
数据挖掘是一种决策支持的过程，它以人工智能、机器学习、模式识别、统计学、数据库、可视化技术等为基础，通过自动化地分析大量数据，进行总结性的推理，从而挖掘出潜在的模式或者规律，帮助决策者做出正确的决策[1]。数据挖掘技术不单是针对某个指定的数据库而进行粗略的整理、查询、检索和挪用，它更要经过一系列的归类、评估、预测等步骤，运用聚类、关联分析等等方法对这些大量数据进行宏微观上的总括、分析、归纳和预测，并在这些分析的过程中找到事件之间的联系，以便求解实际中的应用问题。
在数据挖掘的流程中可分为以下几个步骤：首先明确需要交易的对象，然后进行此对象的数据汇集，接着利用数据挖掘算法来运行这些数据，再然后把算出的结果进行分析，最后知识统一。在现实生活的案例中，使用模型得出的是对问题各个方面的阐扬，并不能给出一个让人们清晰明白的论断，此时此刻便要继续对数据进行深层次的分析以及总结它们的规律，来提供妥当的并且有价值的决策来支持所获得的信息。
目前，比较常使用的数据挖掘分析方法有以下几种：序列模式分析法、聚类分析法、回归分析法、关联规则分析法、分类分析法、预测分析法。分类分析法是本文所选择进行叙述的一种方法，它是通过解析数据集中的数据来为每个种类做出精确的归类、并发掘分类的规律和成立分析的模型，然后再利用已了解的分类规则对其余数据库中的数据分类，这样一步一步的对数据进行不断的深入挖掘，目的就是从中获取有效的信息，从而可以对未来的数据做出准确的预测。
数据分类是数据挖掘技术主要研究课题之一，目前常用的分类方法可归结为四种类型：决策树分类方法、基于距离的分类方法、贝叶斯分类方法和规则归纳方法[2]。其中决策树是应用最广泛的分类方法之一[2]，本文也就是利用决策树法来解决实际中的问题。
决策树技术是数据挖掘的重要分支，决策树具有简单直观，易于理解，分类效率高等特点，适合对大规模训练数据集合进行分析处理，在越来越多的领域得到了广泛应用，取得了很好的效果[3]。决策树的算法有很多，最具有代表性的是算法、算法等等。本文也讲述了决策树算法中的算法、算法和算法，介绍每种算法的相关概念与应用流程及计算模型，特别分析了算法和算法合适利用的范例，并对照其优缺点。在学生成绩的实例运用中，据相关数据集资料分析学生成绩的好坏有哪些影响因素，应用决策树算法，判断某一学生成绩是良好、一般还是差，归结成绩优秀要具备的条件。最后总结分析比较决策树算法在数据挖掘中的重要性及优缺点。
2. 决策树方法概述
2.1 决策树的发展历史
近些年以来，决策树方法通过不断的发展在实际中的很多领域都得到了普遍的应用，而作为一种能从大量数据中发掘潜在信息的数据挖掘技术，已经从众多数据库系统中脱颖而出。此中，决策树法因其超卓的数据分析效力、直观易懂和操作简洁等特色而倍受青睐。决策树有多种算法，在1966年由等提出的算法是世界上最早的决策树算法，当时是对概念学习建模。在决策树的各种算法中，最有影响的是于1979 年提出的以信息熵的下降速度作为选取测试属性标准的 算法[4]，从一开始的算法到算法再到最为典型的决策树算法。该算法是从样本中学习构造专家系统,可以说算法是在算法的基础上的进一步发展。它也是迄今为止最具有影响力的决策树算法。算法是以信息熵为根本的决策树分类算法。该方法使用最大信息增益值来挑选测试属性，也就是说成为测试属性的充分必要条件就是它的信息增益值是所有属性中最大的，这样使得分类的效率和质量都得到彰着的进步。同时,和开发了（分类与回归树）方法，该算法和算法比较相似。在1993年，又提出了算法,此算法是在算法的基础上进行改良的一种算法。算法用信息增益率来选择决策属性 ,它继承了算法的全部优点,并在的基础上还增加了对连续属性的离散化 、对未知属性的处理和产生规则等功能[5]。在20世纪80年代左右，决策树法在对噪声、连续属性、数据缺失、改善分割条件等方面展开了研究。
目 录
1引言 12
2 决策树方法概述 2
2.1 决策树的发展历史 23
2.2 决策树的相关概念 3
2.3绘制决策树34
2.4决策树的剪枝 4
2.5决策树的算法47
3 决策树在学生成绩管理中的应用及意义 7
3.1 学生成绩数据信息整理 79
3.2 决策树算法模型及计算912
3.3 决策树算法结果分析913
3.4 算法的改进 1314
4 决策树的优缺点14
4.1 决策树的优点1415
4.2 决策树的缺点15
结论 16
致谢 17
参考文献1819
1 引言
在随着信息计算科学和数据库技术持续发展的过程中，数据的存储量在各个实际应用领域的业务系统中正以惊人的速度增长，而对于企业决策者来说关键的信息便隐没在这些数据中等待我们去发掘。因此如果能够获得从这些大量数据中提取出对他们有价值的信息的工具对各个行业的人来说都是很有帮助的。就以日前数据库系统的发展速度来看，它们对数据的录入、查询和统计能够很好的实现，数据之间互相存在的关系和所蕴含的规律却往往不能被它们察觉，所以，对企业未来发展趋势的预测就不能在现有数据的基础上进行。在这类情况下，数 *好棒文|www.hbsrm.com +Q: @351916072@
据挖掘技术油然而生。
数据挖掘技术是从大量的、片面的、有干扰性的、不清楚的以及随机的实际应用数据中搜索一些有价值的、新颖的，人们事先不知道的信息或知识。它是数据库中知识发现的中心。
数据挖掘是一种决策支持的过程，它以人工智能、机器学习、模式识别、统计学、数据库、可视化技术等为基础，通过自动化地分析大量数据，进行总结性的推理，从而挖掘出潜在的模式或者规律，帮助决策者做出正确的决策[1]。数据挖掘技术不单是针对某个指定的数据库而进行粗略的整理、查询、检索和挪用，它更要经过一系列的归类、评估、预测等步骤，运用聚类、关联分析等等方法对这些大量数据进行宏微观上的总括、分析、归纳和预测，并在这些分析的过程中找到事件之间的联系，以便求解实际中的应用问题。
在数据挖掘的流程中可分为以下几个步骤：首先明确需要交易的对象，然后进行此对象的数据汇集，接着利用数据挖掘算法来运行这些数据，再然后把算出的结果进行分析，最后知识统一。在现实生活的案例中，使用模型得出的是对问题各个方面的阐扬，并不能给出一个让人们清晰明白的论断，此时此刻便要继续对数据进行深层次的分析以及总结它们的规律，来提供妥当的并且有价值的决策来支持所获得的信息。
目前，比较常使用的数据挖掘分析方法有以下几种：序列模式分析法、聚类分析法、回归分析法、关联规则分析法、分类分析法、预测分析法。分类分析法是本文所选择进行叙述的一种方法，它是通过解析数据集中的数据来为每个种类做出精确的归类、并发掘分类的规律和成立分析的模型，然后再利用已了解的分类规则对其余数据库中的数据分类，这样一步一步的对数据进行不断的深入挖掘，目的就是从中获取有效的信息，从而可以对未来的数据做出准确的预测。
数据分类是数据挖掘技术主要研究课题之一，目前常用的分类方法可归结为四种类型：决策树分类方法、基于距离的分类方法、贝叶斯分类方法和规则归纳方法[2]。其中决策树是应用最广泛的分类方法之一[2]，本文也就是利用决策树法来解决实际中的问题。
决策树技术是数据挖掘的重要分支，决策树具有简单直观，易于理解，分类效率高等特点，适合对大规模训练数据集合进行分析处理，在越来越多的领域得到了广泛应用，取得了很好的效果[3]。决策树的算法有很多，最具有代表性的是算法、算法等等。本文也讲述了决策树算法中的算法、算法和算法，介绍每种算法的相关概念与应用流程及计算模型，特别分析了算法和算法合适利用的范例，并对照其优缺点。在学生成绩的实例运用中，据相关数据集资料分析学生成绩的好坏有哪些影响因素，应用决策树算法，判断某一学生成绩是良好、一般还是差，归结成绩优秀要具备的条件。最后总结分析比较决策树算法在数据挖掘中的重要性及优缺点。
2. 决策树方法概述
2.1 决策树的发展历史
近些年以来，决策树方法通过不断的发展在实际中的很多领域都得到了普遍的应用，而作为一种能从大量数据中发掘潜在信息的数据挖掘技术，已经从众多数据库系统中脱颖而出。此中，决策树法因其超卓的数据分析效力、直观易懂和操作简洁等特色而倍受青睐。决策树有多种算法，在1966年由等提出的算法是世界上最早的决策树算法，当时是对概念学习建模。在决策树的各种算法中，最有影响的是于1979 年提出的以信息熵的下降速度作为选取测试属性标准的 算法[4]，从一开始的算法到算法再到最为典型的决策树算法。该算法是从样本中学习构造专家系统,可以说算法是在算法的基础上的进一步发展。它也是迄今为止最具有影响力的决策树算法。算法是以信息熵为根本的决策树分类算法。该方法使用最大信息增益值来挑选测试属性，也就是说成为测试属性的充分必要条件就是它的信息增益值是所有属性中最大的，这样使得分类的效率和质量都得到彰着的进步。同时,和开发了（分类与回归树）方法，该算法和算法比较相似。在1993年，又提出了算法,此算法是在算法的基础上进行改良的一种算法。算法用信息增益率来选择决策属性 ,它继承了算法的全部优点,并在的基础上还增加了对连续属性的离散化 、对未知属性的处理和产生规则等功能[5]。在20世纪80年代左右，决策树法在对噪声、连续属性、数据缺失、改善分割条件等方面展开了研究。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/jsjkxyjs/1273.html
