یادگیری درخت های تصمیم
فهرست – چکیده 2مقدمه 51-1- اهداف اصلي درختهاي تصميمگيري دستهبندي كننده 61-2- جذابیت درختان تصمیم 61-3- انواع درختان تصمیم 61-3-1- درختان رگراسیون 72- بازنمایی درخت تصمیم 82-1- توسعهء درختان تصمیم با گراف های تصمیم 93- مسائل مناسب برای یادگیری درخت تصمیم 104- چه صفتی بهترین طبقه بندی کننده است؟ 114-1-1- بی نظمی همگونی مثال ها را اندازه گیری می کند. 114-1-2- نفع اطلاعات، کاهش مورد انتظار در بی نظمی را اندازه گیری می کند. 134-2- یک مثال تشریحی 144-3- حالت خاصی از ساخت درخت تصمیم 155- جستجوی فضای فرضیه در یادگیری درخت تصمیم 165-1- قابلیت ها و محدودیت های الگوریتم ID3 166- بایاس قیاسی (استنتاجی) در یادگیری درخت تصمیم 176-1- بایاس های محدودیت و بایاس های ارجحیت 186-2- چرا فرضیات کوتاهتر را ترجیح می دهیم؟ 197- مسائل در یادگیری درخت تصمیم 207-1- اورفیتینگ داده ها 207-2- روشهای موجود برای ممانعت از اورفیتینگ 267-2-1- انواع روش های هرس کردن 277-2-1-1- تست chi-Square 297-2-2- هرس خطای کاهش یافته 30 7-2-3- هرس بعدی قانون 317-3- بکاربردن صفات با مقادیر پیوسته 347-4- معیارهای دیگر برای انتخاب صفات 357-5- بکاربردن مثال های آموزشی با صفات فاقد مقدار 367-6- بکاربردن صفات با هزینه های متفاوت 378- عام سازی درخت 388-1- طراحی یک دسته بندی کنندهء درخت تصمیم 388-2- روشهاي اصلی برای طراحی دسته بندی کنندهء درخت تصميم 399- انواع يادگيري در درخت تصميم گيري 4010- مزایا و معایب درخت تصمیم 4010-1- مزایای درختان تصمیم نسبت به روش های دیگر داده کاوی 4010-2- معايب درختان تصمیم 4111- نرم افزارهای مفید برای درخت تصمیم 4212- الگوریتم یادگیری درخت تصمیم پایه 4313- جمع بندی 4514- لغت نامه 4615- مراجع 48
دانلود فایل یادگیری درخت های تصمیم
درخت تصميمگيري ,دستهبندي,گراف تصمیم,الگوریتم یادگیری ,بی نظمی ,جستجو,الگوریتم ID3, هرس کردن ,انتخاب صفات ,طراحی درخت تصمیم,داده کاوی,Decision Tree,data mining