导读:本文包含了多关系决策树论文开题报告文献综述及选题提纲参考文献，主要关键词:数据挖掘,多关系数据挖掘,元组传播技术
多关系决策树论文文献综述
李小平[1]（2012）在《浅谈改进的多关系决策树算法》一文中研究指出对于多关系数据挖掘而言,高效性一直是多关系数据挖掘的研究重点,提高算法效率的主要瓶颈在于假设空间。文章提出了改进的多关系决策树算法MRDTL-2,提高了算法的效率。主要是在以下改进:在用户指导情况,将元组传播技术应用到多关系决策树算法中。(本文来源于《内蒙古民族大学学报》期刊2012年02期）
李小平[2]（2011）在《多关系决策树分类算法的研究》一文中研究指出多关系数据挖掘是近年来快速发展的重要的数据挖掘领域之一,高效性一直是该领域的研究重点。对于多关系数据挖掘算法而言,挖掘任务的复杂性对算法性能提出了更高的要求,搜索空间比单一关系模式下变得更大更复杂,提高算法效率的主要瓶颈在于假设空间。针对多关系数据挖掘算法存在的这些问题,本文提出了改进的多关系决策树算法MRDTL-2。本文对数据挖掘理论、多关系数据挖掘理论进行了深入的研究,尤其是多关系决策树分类算法及多关系数据挖掘的最新技术-元组传播技术。本文提出了改进的多关系数据挖掘算法MRDTL-2,提高了算法的效率和用户的满意程度。改进算法的实现过程是在用户指导下完成的,主要是在以下两方面进行改进：第一,在用户指导情况,当数据项小于属性传递阀值时,将元组传播技术应用到多关系决策树算法中。第二,在用户指导情况,当数据项大于传递阀值时,设置空关系Ra,将背景关系中的主关键字、背景属性及目标关系中的类标号传递到中Ra,然后,Ra代替背景关系参与其它多关系决策树。最后,本文对改进的多关系决策树算法MRDTL-2进行了理论证明和实验验证。本文使用PKDD'99中的Financial数据集对改进的多关系决策树算法MRDTL-2进行实验。通过十次交叉迭代验证法,对改进的多关系决策树算法MRDTL-2与MRDTL进行效率对比验证。实验结果表明,本文提出的算法优于现有的同类算法,实现了预期的研究目标。(本文来源于《内蒙古大学》期刊2011-06-11）
黄昆[3]（2010）在《基于决策树算法的多关系数据分类研究》一文中研究指出多关系数据挖掘是近年来快速发展的重要的数据挖掘领域之一。传统的数据挖掘方法只能从单一关系中进行模式发现,而很难在复杂的结构化数据中发现复杂的关系模式。但是在实际应用中,数据的组织形式多以关系数据库中的多关系模式表示,传统的数据挖掘方法并不适合。而多关系数据挖掘算法则能够良好的适应关系数据库中多关系的数据组织,很好的完成挖掘任务。因此本文以多关系数据挖掘算法作为研究对象。对于多关系数据挖掘算法而言,高效性和可扩展性一直是该领域的研究重点。因为多关系数据挖掘任务的复杂性对算法性能提出了更高的要求,同时,由于在多关系模式下,算法的搜索空间比单一关系模式下变得更大,更复杂。对于每个优化假设的评价也更为复杂。针对多关系数据挖掘算法存在的这些问题,本文的研究重点放在了提高多关系数据挖掘算法的效率上。制约多关系数据挖掘算法的瓶颈在于搜索空间的大小,因此提高效率的关键在于减少搜索空间的大小。本文以多关系数据分类算法为切入点,用决策树算法建立多关系分类模型实现多关系数据分类的目标。在提高算法效率上面,本文主要做了以下的工作：在多关系决策树算法中加入充分表,减少了对每个假设模式评价过程中,所需连接数据表的数量。同时,引入目标元组ID传播技术,使得每个假设模式评价过程的连接都不浪费,即使该模式不是最优的,也会进行目标元组ID的传播,从而保留该连接信息。使得算法模式评价的效率有所提高。使用PKDD'99中的Financial数据集对改进的多关系决策树算法进行了实验,通过十次交叉迭代验证法证实了充分表结构和目标元组ID传播技术对提高多关系决策树分类算法运行效率是有帮助的。本文的最后,提出继续对多关系决策树算法效率的改进的一些展望,可以在状态空间的搜索算法以及利用数据集背景知识等方面继续做出改进。(本文来源于《北京交通大学》期刊2010-06-01）
杨春兴[4]（2010）在《数据挖掘中基于多关系决策树算法的研究》一文中研究指出本文对多关系数据挖掘的分类算法——多关系决策树算法进行了深入的研究。在此基础上,提出了在用户指导下完成分类任务的背景属性传递技术,并将该技术应用到改进的多关系决策树中。(本文来源于《新课程学习(学术教育)》期刊2010年05期）
宋广玲,郝忠孝,吴海燕[5]（2009）在《改进的多关系决策树算法》一文中研究指出高效性和可扩展性是多关系数据挖掘中最重要的问题,而提高算法效率的主要瓶颈在于假设空间,且用户对分类的指导会在很大程度上帮助系统完成分类任务,减少系统独自摸索的时间。针对以上问题提出了改进的多关系决策树算法,即将虚拟连接元组传播技术和提出的背景属性传递技术应用到多关系决策树算法中。对改进的多关系决策树算法进行了理论证明,并且对多关系决策树算法和改进的多关系决策树算法进行比较实验。通过实验可以得出,当改进的多关系决策树在搜索数据项达到背景属性传递阈值时,改进的多关系决策树算法的效率相对很高且受属性个数增加(或记录数增加)影响较小。因此提出的算法优于现有的同类算法,实现了预期的研究目标。(本文来源于《计算机应用研究》期刊2009年12期）
高静,邢永康,布伟光,张向科[6]（2009）在《多关系数据挖掘中的多关系决策树研究综述》一文中研究指出随着关系数据库的发展,多关系数据挖掘正在成为数据挖掘的重要分支之一。多关系决策树是其中的一种重要方法。目前多关系决策树已有多种研究方法。针对不同的背景和框架,对其中主要的算法进行分析和比较,指出未来的发展趋势。(本文来源于《微处理机》期刊2009年05期）
谢志强,于旭,杨静,刘若铎[7]（2009）在《多关系决策树学习算法的研究与改进》一文中研究指出通过对多关系决策树学习算法MRDTL-2进行研究与分析,针对其运行效率较低和不能有效处理丢失属性值的问题,提出一种改进的多关系数据挖掘(IMRDTL)算法。在IMRDTL算法中,利用元组ID传播技术来进一步提高MRDTL-2算法的运行效率,同时使用广义朴素贝叶斯分类器来填补丢失的属性值,以进一步提高算法的准确率。(本文来源于《计算机工程》期刊2009年08期）
宋广玲[8]（2009）在《基于多关系决策树算法的研究》一文中研究指出多关系数据挖掘是近年来快速发展的重要的数据挖掘领域之一。高效性和可扩展性一直是数据挖掘领域的重要研究课题。考虑多关系数据挖掘,这个问题尤为重要。多关系数据挖掘任务的复杂性对算法的性能提出了更高的要求。与传统的数据挖掘算法相比,多关系数据挖掘算法的搜索空间变得更复杂,更大。对于多关系数据学习算法,提高算法效率的主要瓶颈在于假设空间。针对以上问题,本文主要做了以下工作:首先,本文对数据挖掘理论、关系数据挖掘理论进行了研究,尤其是多关系数据挖掘的分类算法-多关系决策树算法及多关系数据挖掘的最新技术-元组传播技术进行了深入的研究。其次,本文提出了多关系决策树的改进算法。多关系决策树主要从两方面进行改进:1为了提高多关系决策树算法可扩展性,本文将虚拟连接元组传播技术应用到改进的多关系决策树算法中;2为了减少系统独自摸索的时间、减少系统搜索有用属性的时间和提高用户的满意程度,本文提出了在用户指导下完成分类任务的背景属性传递技术,并将该技术应用到改进的多关系决策树中。最后,本文对改进的多关系决策树算法进行了理论证明和实验验证。本文的实验主要利用了PKDD CUP’99中的Loan、Account、Transaction叁个关系,采用两种方法对一般多关系决策树算法和改进的对关系决策树算法进行比较实验。第一种方法,固定叁个关系的记录数不变,每个关系分别增加属性个数进行实验,第二种方法,固定叁个关系中的属性个数不变,改变关系记录条数进行实验。通过上面的实验结果,本文研究认为,当改进的多关系决策树在搜索数据项未达到背景属性传递阀值时,改进多关系决策树算法的运行效率较低;当改进的多关系决策树在搜索数据项达到背景属性传递阀值时,改进的多关系决策树算法的效率相对很高且受属性个数增加(或记录数增加)影响较小。(本文来源于《哈尔滨理工大学》期刊2009-03-01）
郑向群,赵政[9]（2008）在《基于S-CART决策树的多关系空间数据挖掘方法》一文中研究指出针对空间数据关系复杂的情况,提出了一种改进的多关系数据挖掘结构分类与回归树(S-CART)算法,该算法首先利用空间关联索引表抽取不同主题图层之间的关系原子命题,然后基于逻辑谓词创建多关系二叉决策树,抽取空间关联规则,同时基于我国湖北大冶部分地区土壤污染数据验证算法的有效性。(本文来源于《计算机应用》期刊2008年03期）
多关系决策树论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
多关系数据挖掘是近年来快速发展的重要的数据挖掘领域之一,高效性一直是该领域的研究重点。对于多关系数据挖掘算法而言,挖掘任务的复杂性对算法性能提出了更高的要求,搜索空间比单一关系模式下变得更大更复杂,提高算法效率的主要瓶颈在于假设空间。针对多关系数据挖掘算法存在的这些问题,本文提出了改进的多关系决策树算法MRDTL-2。本文对数据挖掘理论、多关系数据挖掘理论进行了深入的研究,尤其是多关系决策树分类算法及多关系数据挖掘的最新技术-元组传播技术。本文提出了改进的多关系数据挖掘算法MRDTL-2,提高了算法的效率和用户的满意程度。改进算法的实现过程是在用户指导下完成的,主要是在以下两方面进行改进：第一,在用户指导情况,当数据项小于属性传递阀值时,将元组传播技术应用到多关系决策树算法中。第二,在用户指导情况,当数据项大于传递阀值时,设置空关系Ra,将背景关系中的主关键字、背景属性及目标关系中的类标号传递到中Ra,然后,Ra代替背景关系参与其它多关系决策树。最后,本文对改进的多关系决策树算法MRDTL-2进行了理论证明和实验验证。本文使用PKDD'99中的Financial数据集对改进的多关系决策树算法MRDTL-2进行实验。通过十次交叉迭代验证法,对改进的多关系决策树算法MRDTL-2与MRDTL进行效率对比验证。实验结果表明,本文提出的算法优于现有的同类算法,实现了预期的研究目标。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
多关系决策树论文参考文献
[1].李小平.浅谈改进的多关系决策树算法[J].内蒙古民族大学学报.2012
[2].李小平.多关系决策树分类算法的研究[D].内蒙古大学.2011
[3].黄昆.基于决策树算法的多关系数据分类研究[D].北京交通大学.2010
[4].杨春兴.数据挖掘中基于多关系决策树算法的研究[J].新课程学习(学术教育).2010
[5].宋广玲,郝忠孝,吴海燕.改进的多关系决策树算法[J].计算机应用研究.2009
[6].高静,邢永康,布伟光,张向科.多关系数据挖掘中的多关系决策树研究综述[J].微处理机.2009
[7].谢志强,于旭,杨静,刘若铎.多关系决策树学习算法的研究与改进[J].计算机工程.2009
[8].宋广玲.基于多关系决策树算法的研究[D].哈尔滨理工大学.2009
[9].郑向群,赵政.基于S-CART决策树的多关系空间数据挖掘方法[J].计算机应用.2008