基于决策树算法的Web服务分类

Web服务(Web Services)是计算机网络技术研究热点之一,它主要用来研究应用程序在Internet上实现相互操作,拓展应用程序的功能。近年来,电子商务迅速崛起,Web服务数量不断增加,很多Web服务提供的功能是相似的,使得用户难以找到最适合自身需求的Web服务。使用决策树ID3算法,分析影响Web服务功能的质量参数,将其作为属性特征,得到Web服务的分类,帮助用户更好地选择合适的Web服务。     

基于决策树C5.0的高职教师教学质量影响因素分析

高职教师教学质量的提高是提高我国高等职业教育质量的关键,因此,本文以长沙某一高职院校的639名教师为研究对象,首先将学生对教师教学质量的评价数据进行异常值处理后,将其划分为四个等级,然后以评价等级数据为输出变量,以11个影响因素为输入变量,利用C5.0算法构建决策树模型对影响高职教师教学质量的因素进行分析,研究发现,不同岗位类型的教师,影响其教学质量的因素各不相同。因此,学校管理者根据影响不同类型教师教学质量因素的差异性,分别制定不同的政策来提升高职教师的教学质量,有利于实现教学资源的有效配置。     

大数据环境下客户购买行为预测

大数据环境下,随着企业间的竞争加剧,企业越来越意识到客户购买行为预测的重要性。主要采用改进的决策树模型对客户购买行为进行预测,并通过对优化前后的效果对比分析,验证了改进后的算法在客户购买行为预测上的有效性和高效率。以Teradata软件为例,介绍了决策树模型在大数据背景下的应用,阐述了决策树模型在大数据情况下的用法和应该注意的问题。     

基于代价敏感决策树的客户价值细分(英文)

由于错误分类代价差异和不同价值客户数量的不平衡分布,基于总体准确率的数据挖掘方法不能体现由于客户价值不同对分类效果带来的影响.为了解决错误分类不平衡的数据分类问题,利用代价敏感学习技术扩展现有决策树模型,将这一方法应用在客户价值细分,建立基于客户价值的错分代价矩阵,以分类代价最小化作为决策树分支的标准,建立分类的期望损失函数作为分类效果的评价标准,采用中国某银行的信用卡客户数据进行实验.实验结果表明,与传统决策树方法相比,代价敏感决策树对客户价值细分问题有更好的分类效果,可以更精确地控制代价敏感性和不同种分类错误的分布,降低总体的错误分类代价,使模型能更准确反映分类的代价,有效识别客户价值     

两种数据挖掘技术在预测顾客满意度中的对比研究

分类发现是数据挖掘的重要内容,贝叶斯分类和决策树在数据挖掘中应用相当广泛,它们是生成分类器的两种有效方法。文章分别用两种方法对顾客满意度进行分类及预测,并将两种方法进行比较分析,认为用决策树分类法来预测顾客满意度具有简洁、高效等特点。     

企业流动资金状况影响因素的决策树分析 ——基于重庆市规模以下服务业调查

本文基于数据挖掘中决策树分析方法,利用重庆规模以下服务业抽样调查企业的问卷调查数据,对影响规模以下服务业企业流动资金状况的因素进行了定量分析和讨论.结果表明:融资难易程度是影响规下企业流动资金状况的主要因素,营业收入变动趋势是次要因素.当前,不少规下企业面临融资难、市场需求相对不足等困难应引起高度关注.     

试析决策树算法在教育统计学中的应用

数据挖掘技术及决策树简介 数据挖掘就是从大量的不完全的有噪声的模糊的随机的实际应用数据中,抽取隐含在其中的、事先并不知道的、但又是潜在有用的信息和知识的过程。决策树算法作为常用的数据挖掘技术之一,其基本思想是将实例库中记录的大量有限的具体事实数据进行归纳和分类并建立树型结构,以发现并形成隐含在大量实例中的若干形式化的分类判别规则,典型的决策树算法方法有ID3方法和IBLE（Information—basedLearningfromExample）方法。     

一个新的银行信用风险评估方法

本文以银行信用风险管理为例,将粗糙集和决策树两种具有互补优势的数据挖掘方法相结合,对客户信用做出归类分析判断,最后利用决策树生成决策规则.实践证明,这种方法忠于原始数据,提高了分类准确度,减小了决策树规模,具有良好的性能.     

决策树优化研究

提出用新的极值点禁忌搜索算法构造分类问题的全局优化决策树,该算法呆用于不可微分的目标函数。全局树优化方法是非贪婪的,用于构造具有固定结构的多变量决策树,将多变量决策树表示成析取线性不等式集合,全局树优化就是使析取线性不等式中的分类误差最小化。     

基于自适应集成分类器的数据流概念漂移算法

数据流具有连续、实时、有序及无限等特点,使用传统的数据挖掘技术来处理数据流的分类面临着严重的挑战,很难处理数据流中的概念漂移问题.文章结合现有的决策树分类挖掘算法,提出了自适应集成分类器方法,构建了数据流概念漂移的自适应集成分类模型,通过不断更新训练样例的权重与属性类别,将训练样例从现有的数据集中分离出来,并被确定为新类别属性的训练样例,以达到对数据流中概念漂移现象的有效检测,仿真结果也证明该方法的适应性和可靠性.