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。     

基于后修正贝叶斯决策树模型的保险企业营销决策

文章通过引入一个将贝叶斯概率分布与决策树算法相结合的后修正贝叶斯决策树模型,对保险企业的营销决策进行量化分析,从而得到保险公司应采取的营销模式.实证结果表明,后修正贝叶斯决策树模型在保险企业的营销决策中是比较适用的.     

大数据挖掘的均匀抽样设计及数值分析

就大数据生成过程的多维性、稀疏性和动态性等特征而言,大数据集并不等于统计总体,即便对于静态大数据集,随机抽样同样有着不可或缺的参数估计和总体推断的方法论价值。在大型数据分析中,常常遇到需要降低维度和减少计算量但又不知如何抽样处理的问题。因此,提出均匀抽样在大数据挖掘中应用的基本策略,并使用模拟数据和医学胎心宫缩监护数据集进行数值分析。结果表明:均匀抽样在降低决策树、adaboost、bagging和随机森林的误差率上优于现有文献的常用方法,这一策略能为面向大数据的数据挖掘方法提供参考,也为针对大数据分析的抽样有效性提供佐证。     

精炼决策树模型在个人信用评估中的应用

零售贷款业务的特点决定了商业银行不可能用发放企业贷款的方法开展个人信贷业务，个人信用评估应运而生。本文将基于卡方自动交互检测的决策树模型引入个人信用评估领域。首先介绍了该模型的基本原理与算法，对使用实际数据对模型的可靠性进行检验。并针对传统决策树模型得到结果的不足，精炼决策树模型在原模型的基础上考虑错分好坏客户成本的差异。精炼决策树模型的实证结果表明其提高了对坏客户的正确判断率，因此在个人信用评估的实践中更具优势。     

股票技术指标相似性与有效性研究

利用R型聚类分析和C5.0决策树模型对沪深300指数的11项技术指标进行分析,考察其预测特性和研判模式,发现不同的指标具有相似性,并且技术指标确实对预测股票交易涨跌有一定的指导作用.对技术分析指标特性的研究,有利于投资者更好地使用技术分析,简化分析步骤并增加获利.     

决策树技术在手机市场细分中的应用

市场细分的概念是美国市场学家温德尔.史密斯于20世纪50年代中期提出的,指按照消费者欲望与需求把一个总体市场划分成若干个具有共同特征的子市场的过程.因此,分属于同一细分市场的消费者,他们的需要和欲望极为相似;分属于不同细分市场的消费者对同一产品的需要和欲望存在着明显的差别.市场营销中市场细分的方法很多,笔者认为决策树技术在市场细分中有其独特的作用,本文将就决策树技术中的CHAID(Chi-square auomatic interaction detection)算法在手机市场细分中的应用进行探讨.     

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。     

基于AdaBoost组合算法的衍生金融工具风险预测

文章构建了衍生金融工具风险预测的AdaBoost组合算法的单属性测试和决策树模型;详细论述了单属性测试和决策树与AdaBoost算法的分类器组合机制,同时界定了12个风险检测变量指标,运用252个我国上市公司作为初始样本,分别进行了一年、两年和三年的26次衍生金融工具风险预测的AdaBoost组合算法的单属性测试(SAT),AdaBoost组合算法的决策树(DT)、单决策树和单支持向量机(SVM)实验,结果表明,基于AdaBoost组合算法的衍生金融工具风险预测模型可以对公司衍生金融工具风险进有效的预测。     

基于聚类提取训练集的预测分析

该文建立了一种基于聚类分析与决策树分析相结合的服务订制预测模型,利用聚类提取训练集训练决策树,将生成模型应用于某地区用户对有线电视交互服务的订制意愿预测,最终确定高响应率客户群。实验证明,该模型相对于仅通过决策树进行预测能更大程度地提高分类精度,能更有效地识别出高响应率客户群。所提出的研究框架与方法,为企业在商业竞争中制定有效的营销决策提供了重要依据。     

基于IID3的电子商务信息挖掘研究

文章设计了基于IID3的电子商务信息挖掘系统,并结合一个典型的电子商务案例进行了消费分析。IID3的优点在于:首先,与ID3相比,IID3在构造决策树之前使用了数据压缩技术,避免了在ID3中需要利用剪枝来加快分类速度、提高分类能力这一情形;其次,这一设计在保证决策树分类正确性的前提下,减少了用于训练的样本数量,使其计算的复杂性小于ID3。