数据库——决策树.docVIP

1 分类算法功能及应用简介 1.1分类技术的方法和意义 数据挖掘(Data Minig , DM)来源于数据库中的知识发现，它可以说是数据库研究中的一个非常有应用价值的新领域，它融合了数据库、人工智能、机器学习、数理统计学、模糊数学等多个领域的理论和技术。从数据分析的观点来看，数据挖掘分为两类：描述性数据挖掘和预测性数据挖掘。描述性数据挖掘以概要方式描述数据，提供数据所具有的一般性质；预测性数据挖掘分析数据，建立一个或一组模型，产生关于数据的预测，包括分类和回归。分类可用于提取描述重要数据的模型或预测未来的数据趋势。 分类技术是数据挖掘的重要分支，它能够对各个行业提供良好的决策支持，对整个社会的发展产生重要而深远的影响。分类的目的是构造一个分类函数或分类模型（分类器），该模型能把数据库中的数据映射到给定类别中的某一个。分类研究在国外发展很快，已有很多的算法和模型。因此，研究数据分类对数据挖掘技术有很大的意义。 用于分类挖掘技术的方法有很多，如决策树方法、遗传算法、贝叶斯网络、粗糙集、k-最临近方法、关联规则方法等等。其中，决策树方法以其算法容易被人理解、易转换成IF-THEN分类规则、效率较高等优点被广泛研究与应用。目前决策树方法中比较流行的算法有ID3、C4.5、CART、SLIQ和SPRINT等。这些算法都是对训练数据样本集建立一棵决策树，利用建好的决策树，对数据进行预测。决