决策树ID3算法的改进和应用研究

摘要

近年来我国高等院校的学生就业问题不断突现，原因不仅包括经济改革、高等院校扩招、教育资源紧缺、就业模式不健全等，还包括高等教育模式不适应社会要求、学生就业期望值偏高、高校对学生的就业指导偏重于书本和经验，缺少科学的就业指导等重要因素。除了深化高等教育改革、改进高校学生培养模式外，对学生进行科学合理的就业指导已刻不容缓。 本文通过数据挖掘技术，发现学生的教育属性和就业属性之间的关联性，建立毕业生就业指导决策支持系统，提高对毕业生就业指导的实效性，实现毕业生更快更好的就业。 决策树方法是数据挖掘的重要方法，通常用来形成分类器和预测模型。决策树方法包含多种不同的算法，其中ID3算法是决策树方法的典型代表，是决策树生成最常用的具体实现方法。但是，目前的ID3算法存在着偏向于选择属性取值较多的属性，可能导致从数据集中归纳出错误的规则，使决策树的性能下降。因此，本文提出了一种避免多值偏向问题的ID3改进算法--BetterTree算法，弥补了ID3算法选择测试属性时偏向取值较多的不足。在通过掌握实际的学生信息基础上，测试了该方法的有效性，并建立了一个基于关联规则的就业指导决策支持系统。 本文的就业指导系统由两部分构成，数据库处理和数据挖掘算法执行。数据库处理包括数据的读取、查询、统计、更新以及前台的简单系统界面等，采用SQL Server 2000。数据挖掘算法执行就是采用我们改进后的BetterTree算法，将实际学生就业数据作为输入处理，得出很多有意义的信息，这些知识在帮助高等院校更好的对学生进行就业指导，提高学生就业率和就业质量具有重要的现实意义。

目录

文摘

英文文摘

声明

第1章绪论

1.1论文的研究背景

1.2国内外研究与现状

1.3论文的研究内容

1.4论文的创新点

1.5论文的组织结构

第2章数据挖掘技术综述

2.1数据挖掘技术的产生背景

2.1.1数据挖掘产生的商业需求背景分析

2.1.2数据挖掘产生的技术背景分析

2.2数据挖掘的概念

2.3数据挖掘的特点

2.4数据挖掘的任务

2.5决策树方法

2.6数据挖掘系统的体系框架

2.7数据挖掘的数据来源

2.8数据挖掘的步骤

2.9数据挖掘与其他数据库工具的区别和联系

2.9.1操作型工具

2.9.2分析型工具

2.10数据挖掘中应注意的问题

2.11数据挖掘的应用和发展

第3章决策树ID3算法研究和改进

3.1 CLS学习算法

3.2信息论基础知识

3.3决策树ID3算法

3.3.1 ID3算法的基本思想

3.3.2 ID3算法的描述

3.3.3 ID3算法的实例

3.3.4 ID3算法的优化研究

3.4决策树ID3算法的改进

3.4.1算法基本思想

3.4.2算法存在的问题

3.5算法的改进及描述

3.5.1改进的算法描述

3.5.2算法实例

3.6测试结果与分析

第4章毕业生就业指导数据挖掘系统的分析与设计

4.1数据挖掘系统现状

4.2系统概述

4.2.1需求分析

4.2.2系统的主要功能模块划分

4.3数据准备

4.3.1主题定义

4.3.2多维数据模型分析

4.4数据预处理

4.5 ID3改进算法在系统中的应用

4.5.1挖掘数据视图的生成

4.5.2取值分布矩阵的生成

4.5.3建立决策树

4.5.4决策规则的生成

4.5.5决策树的输出

4.5.6决策树的应用

第5章总结与展望

5.1全文总结

5.2 工作展望

致谢

参考文献

个人简介