决策树,分类,聚类.doc

决策树 课本3.5.5 通过聚类、决策树和相关分析离散化 P76 课本8.2 决策树归纳 P213 决策树归纳 属性选择度量（决策树和熵度量） 树剪枝 可伸缩性与决策树归纳 决策树归纳的可视化挖掘 课本8.4.2 由决策树提取规则P231 （所提取的每个规则之间蕴含着逻辑or关系）-有例题 PPT5-31页到32页 31页：如何生成规则 32页：归纳决策树的基本算法（贪婪的，自顶向下的重复分治法） PPT5-38页到43页 38页：使用增益率构造决策树 40页：使用Gini指标归纳决策树 43页：由决策树提取分类规则 分类 课本第八章 分类的基本概念P211 基本概念 决策树归纳 贝叶斯分类方法 基于规则的分类 模型评估与选择 提高分类准确率的技术 课本第九章 分类的高级方法P255 贝叶斯信念网络 用后向传播分类 支持向量机 使用频繁模式分类 惰性学习法 其他分类方法 关于分类的其它问题 课本1.4.3 用于预测分析的分类与回归 课本12.6 基于分类的方法P368（离群点检测） PPT5 分类 第2页：分类基础 分类过程 分类算法 KNN，决策树，神经网络 分类评估 分类高级 第57页：每个分类器Mi独立预测 M*返回多数投票 第58页：Boosting 第59页：随机森林 聚类 课本1.4.4聚类分析P13（原则：最大化类内相似性，最小化类间相似性） 课本3.4.7 聚类 （聚类臭样即“簇抽样”-倒数第二段） 课本第十章 聚类分析：基本概念和方法 课本第十一章 高级聚类分析 课本12.5 基于聚类的方法 PPT1 22页 聚类抽样（见上面课本3.4.7） PPT6 聚类 什么是聚类分析 聚类分析的几种方法 聚类分析的一般准备 相似度/相异度 K-means方法 停止条件 K-means问题 层次聚类 类间距离 层次聚类问题 基于密度的聚类 密度可达和密度相连 DBSCAN