查字网-字源字典字源网-汉字源流-字源字典-chaziwang.cn

对这个决策树使用此人的这些属性就可以确定他购买M5的可能性。

在专家系统里使用决策树并非什么新鲜事物，但是把这种想法和大众外包（crowdsourcing）模式结合在一起实属天才之作。

下面的关系图将这些问题显示为决策树，将帮助您以可视化形式了解不同问题之间的相互关系。

“决策树”仅是一种方法，它罗列出影响你健康的选项，并对每个选项存在的风险和好处进行评估。

使用Q统计量度量两个学习器的差异度，提出一种新的决策树选择性集成学习方法。

在各种机器学习算法中，决策树以其简单容易实现等特点被认可。

在各种分类算法中，决策树方法是最为普遍且易于实现的方法。

分类在数据挖掘中是一项非常重要的任务，决策树方法是一种常用的方法。

在银行客户信贷信用评估分析中，由于数据中的大量名义变量，决策树经常被用来进行数据分类。

结论：从一种计算机算法——决策树演变而来的一种临床图表能提高所有专家及非专家AIS分型的准确度。

所有的树枝都连接到他强大的决策树，决策树就是一系列控制亏损的原则。

决策树是一种求解分类问题的重要技术。

决策树通过一个简洁的树型结构代表了原始数据的信息。

在决策过程中决策树可以作为投资者的一个很好投资决策分析方法。

房地产投资风险决策也只有期望值法、决策树法等方法，然而这些方法在实际中也很少得到应用。

决策树是一种重要的数据挖掘工具，但构造最优决策树是一个NP-完全问题。

一个个人愿意接受风险的程度是由什么决定的：决策树模型蒙特卡洛分析敏感度分析效用分析。

决策树表示在一个中立的环境下，单个决策者所有的连续决策点。

根据数据挖掘模型建立了相应的决策树，产生了对应的规则集，并能根据规则集进行预测。

5决策树算法是一种流行的用于数据挖掘的方法，可以快速准确地将数据分类。

目标：传统上，决策树之分类技术在市场上多运用于顾客资料的区隔分析。

修剪决策树可以在决策树生成时或生成后，前者称为事前修剪。

分类在数据挖掘中是一项非常重要的任务，而决策树方法和粗糙集方法则是分类的主要方法。

在预处理过的滑坡数据上利用决策树算法生成一组坡体稳定性规则。

分类器是数据挖掘的一种基本方法，决策树是一种最重要的分类器。

由于不同的路径需要进行不同的深度探索，所以并行化一个决策树的裁剪过程变得非常复杂。

方法：基于决策树设计一个临床图表帮助临床医生进行AIS侧弯分型。

决策树是分类数据挖掘的重要方法。

以决策树作为基本分类器，引入最小二乘技术进行多分类器线性融合。

结果贝叶斯分类算法和神经网络算法的分类准确率高过决策树算法。

本文提出了使用神经元网络技术进行属性约减后进行助推决策树建模的方法，较大程度上避免了助推的过度训练问题。

通过仿真实验说明：基于决策树的控制具有一定的智能；

我尝试结合滚动时优化，以提供一个综合预测问题的新解决方案的决策树。

针对客户信用分析的需求，利用决策树技术对某钢厂的销售数据进行分析。

规则可以在“ifthen”结构、决策表或决策树中描述决定性的决策。

仿真试验表明，该算法在大大减少了计算代价的同时提高了决策树的分类精度。

决策树的末尾是一个指示器，定义组件如何隔离。

最后，论文给出了改进了的决策树的测试数据和测试结果。

首先介绍了机器学习、归纳学习、决策树学习等方面的相关背景。

第二步，根据训练样本构建决策树矿产资源潜力制图模型；

应用表明决策树分类能很好地应用在离散制造型企业中。

最后进行了决策树分类实验和与传统分类方法的对比分析。

决策树是数据挖掘技术中一种常用的分类方法，易于理解，应用范围广泛。

提出了一种适合于大规模高维数据库的组合优化决策树算法。

在具体的应用中，详细介绍了决策树技术在学生就业分析挖掘中的全过程。

基于决策树的排序学习算法，可以处理名词性数据和选择相关的特征。

在游客服务等级分析中引入了决策树ID3算法，对游客资料进行分析和挖掘，极大地提高了客户的预期响应率，节约了时间成本。

实验证明，该方法可为入侵检测系统生成有效的决策树。

文章首先介绍了聚类分析、关联分析、决策树三个数据挖掘方法及实例。

文章引入了广义决策树的概念，实现了分类规则集和决策树结构的统一。

决策树可用于进行预测。

决策树能实现快速分类，CART决策树在处理复杂结构的多维数据分类问题上具有突出优势。

通过应用实例比较分析，证明该算法能生成最小化决策树，并且决策树生成规则切合实际。

Microsoft决策树算法创建的模型可用于预测某人是否将购买自行车。

他的决策树像树枝一样多，不同的时间，不同的状况，他有不同的决定。

因此，本研究利用资料探勘技术中之支援向量机及决策树预测顾客是否接受促销活动。

并给出了两种构造多维时间序列分类的决策树模型算法。

同时，本文通过一些具体实例来说明动词决策树对于动态过程历史记录的数据挖掘非常有效。

决策树算法是数据挖掘中的一个比较活跃的研究领域，是对分类问题进行深入分析的一种方法。

运用决策树中的ID3算法对高校计算机专业学生成绩数据库进行分类和预测。

可以使用DMDecisionTreeViewer控件来显示使用Microsoft决策树算法所创建的模型的内容。

统计结果表明，决策树分类可以获得更高的分类精度。

本文通过设定拓扑关系的出现率，对现有的决策树生成算法进行了改进。

本文从属性值缺失的填补、属性约简和决策树分支属性选择三方面进行研究。

论文主要是围绕数据挖掘分类算法中的决策树算法的关键技术展开研究的。

决策树是一种典型的符号学习模型，神经网络是一种最常见的非符号学习模型。

该查看器显示使用Microsoft决策树算法生成的挖掘模型。

针对参数设计领域，研究了决策树学习方法在设计知识获取中的应用。

且贝氏信度网路分類效果最好，次为支援向量机，最后为决策树。

方法：采用药物经济学决策树模型分析方法，选择期望成本最小治疗方案来评价免疫抑制维持的效果。

提出了一种基于混合决策树的调度知识获取算法。

决策树以图形方式描述导致某项操作的相关条件链。

利用变量表格和数据表格或者文档的决策树可以完成这些测试用例。

摘要：决策树是数据挖掘中的一种分类算法，它是一种以实例为基础的归纳学习算法，来发现数据模式和规则。

在生成决策树模型时，AnalysisServices为每个可预测的连续属性分别生成一个树。

决策树技术是一种对海量数据集进行分类的非常有效方法。

噪音数据是影响决策树训练效率和结果集质量的重要因素。

提出了一种非线性支持向量机决策树的分类算法。

BRM工具中的构件示例包括规则集、决策表、决策树和记分卡。

最后简单介绍了利用计算动词决策树对股票价格数据库进行数据挖掘的过程。