数据挖掘：决策树算法及应用拓展.pptxVIP

决策树算法及应用拓展;概述(一);概述(二);预备知识一(Building Tree);使用决策树进行分类;决策树算法;伪代码(Building Tree);属性选择的统计度量;信息增益度度量(ID3/C4.5);训练集(举例);使用信息增益进行属性选择;Decision Tree (结果输出);基尼指数 Gini Index (IBM IntelligentMiner);预备知识二(Pruning Tree);两种剪枝标准;Cost of Encoding Data Records;Cost of Encoding Tree;剪枝算法;计算最小子树代价的伪代码;引入Public算法;具体思路;改进算法的伪代码;计算子树代价下界;Public(S)算法(一);Public(S)算法(二);Public(S)算法(证明一);Public(S)算法(证明二);计算minCost_S的代码;Public(S)示例;Public(V)算法;算法比较;实验数据(Real-life);实验结果(一);实验结果(二);算法结果分析;言归正传—捕捉数据变化的挖掘方法;方法三的对应算法;标识几种不同的变化类型;小结;个人观点;计算分裂点属性代价下界的算法代码;9、要学生做的事，教职员躬亲共做；要学生学的知识，教职员躬亲共学；要学生守的规则，教职员躬亲共守。4月-214月-21Wednesday,