基于Weka平台的决策树算法研究与实现

摘要

随着人类社会和计算机信息技术的飞速发展,海量数据的积累使得人们不得不从完善数据挖掘技术来揭示出隐含的、有潜在价值的、未知的信息。数据挖掘不仅集合了数据库、人工智能和机器学习等技术,而且还广泛应用于金融、商业、医疗和保险等行业。而决策树分类方法无疑是众多数据挖掘方法中最为常用且经典的方法之一。
　　自1966年由Hunt等人提出最早的决策树算法CLS以来,决策树分类方法已经不下几十种,其中以ID3、C4.5、CART等算法最为经典,它们都具有计算量小、生成的规则易于理解等特点,因此应用也最为广泛。但同时,在实际的应用过程当中,上述算法也存在着不足,例如效率偏低、不适用于噪声数据等,因此,提高算法计算效率等已是现在人们研究的重要问题。
　　本文以决策树分类算法为例,在深入研究经典的数据挖掘分类方法的基础之上,做了以下工作:
　　(1)深入学习了开源数据挖掘项目Weka,并在此基础上对Weka平台的算法实现进行了实践;
　　(2)采用C4.5、CART、BFTree以及NBTree等算法在Weka平台上对数据进行挖掘处理,并通过实验结果分析对以上四种算法在Weka上的性能进行评价;
　　(3)最后对传统的C4.5算法进行了改进,并且对改进前后的两种算法通过实验进行了对比分析。使得其计算复杂度大幅度降低,节省了系统开销,提高了算法的效率。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 研究背景

1.2 研究现状

1.3 存在的问题

1.4 本文所做工作及其组织结构

1.5 本章小结

第二章 决策树分类算法的研究和分析

2.1 数据挖掘简介

2.2 常见的几种分类算法

2.3 决策树算法概述

2.4 常见的几种决策树算法

2.5 本章小结

第三章 决策树算法在Weka中的实现

3.1 Weka平台简介

3.2过滤算法

3.3 实验

3.4 本章小结

第四章 改进算法的实现与评价

4.1 Weka主要类库分析

4.2 实验分析

4.3 算法改进

4.4 实验结果分析与评价

4.5 本章小结

第五章 总结与展望

5.1 总结

5.2 展望

致谢

参考文献

研究成果