基于不确定性的决策树归纳PDF电子书下载

第1章 不确定性 1

1.1随机性 1

1.2模糊性 4

1.3不可指定性 7

1.4粗糙性 8

1.5几种不确定性的比较 11

参考文献 12

第2章 不确定环境下的决策树归纳 13

2.1决策树归纳简介 13

2.2连续值属性的决策树归纳 19

2.3最优割点的模糊化处理 25

2.4模糊决策树归纳 31

2.5模糊决策树算法中三种常用启发式比较 40

2.6交互作用度量 49

2.7聚类决策树 61

参考文献 65

第3章 决策树的优化 68

3.1基于分支合并的决策树优化 68

3.2基于优化学习的模糊规则简化 73

3.3通过混合神经网络改善模糊决策树的学习精度 81

3.4提高模糊规则泛化能力的最大化模糊熵方法 90

3.5优化模糊规则的T-S范式神经网络方法 98

3.6模糊决策树构建过程中的参数选择 104

参考文献 110

第4章 主动学习和模糊决策树的特征选择 113

4.1主动学习简介 113

4.2选择具有代表性的样例 116

4.3调整特征权重以提高支持向量机的泛化能力 120

4.4最优模糊值属性子集选择 123

4.5基于最大不确定性的主动学习 137

4.6采用主动学习提高学习系统的泛化能力 145

参考文献 156

第5章 模糊决策树的集成学习 160

5.1集成学习简介 160

5.2分层混合专家系统 169

5.3基于模糊粗糙集技术的多模糊决策树归纳 179

5.4模糊决策森林 196

5.5基于上积分的集成学习 200

5.6基于集合划分的非线性积分及其在决策树中的应用 214

参考文献 224

第6章 不确定环境下的其他归纳学习方法 229

6.1基于粗糙集的模糊规则抽取方法 229

6.2基于模糊粗糙集技术的模糊决策树 247

6.3模糊多类支持向量机 259

6.4基于模糊扩张矩阵的规则抽取方法 267

6.5基于CBR的规则抽取方法 278

6.6支持向量机反问题 286

6.7基于局部泛化误差的RBFNN特征选择方法 292

6.8结构化最大间隔分类器 312

参考文献 331