基于不確定性的決策樹(shù)歸納

《信息科學(xué)技術(shù)學(xué)術(shù)著作叢書(shū)》序
前言
第1章  不確定性
  1.1  隨機(jī)性
  1.2  模糊性
  1.3  不可指定性
  1.4  粗糙性
  1.5  幾種不確定性的比較
  參考文獻(xiàn)
第2章  不確定環(huán)境下的決策樹(shù)歸納
  2.1  決策樹(shù)歸納簡(jiǎn)介
  2.2  連續(xù)值屬性的決策樹(shù)歸納
  2.3  最優(yōu)割點(diǎn)的模糊化處理
  2.4  模糊決策樹(shù)歸納
  2.5  模糊決策樹(shù)算法中三種常用啟發(fā)式比較
  2.6  交互作用度量
  2.7  聚類(lèi)決策樹(shù)
  參考文獻(xiàn)
第3章  決策樹(shù)的優(yōu)化
  3.1  基于分支合并的決策樹(shù)優(yōu)化
  3.2  基于優(yōu)化學(xué)習(xí)的模糊規(guī)則簡(jiǎn)化
  3.3  通過(guò)混合神經(jīng)網(wǎng)絡(luò)改善模糊決策樹(shù)的學(xué)習(xí)精度
  3.4  提高模糊規(guī)則泛化能力的最大化模糊熵方法
  3.5  優(yōu)化模糊規(guī)則的T-S范式神經(jīng)網(wǎng)絡(luò)方法
  3.6  模糊決策樹(shù)構(gòu)建過(guò)程中的參數(shù)選擇
  參考文獻(xiàn)
第4章  主動(dòng)學(xué)習(xí)和模糊決策樹(shù)的特征選擇
  4.1  主動(dòng)學(xué)習(xí)簡(jiǎn)介
  4.2  選擇具有代表性的樣例
  4.3  調(diào)整特征權(quán)重以提高支持向量機(jī)的泛化能力
  4.4  最優(yōu)模糊值屬性子集選擇
  4.5  基于最大不確定性的主動(dòng)學(xué)習(xí)
  4.6  采用主動(dòng)學(xué)習(xí)提高學(xué)習(xí)系統(tǒng)的泛化能力
  參考文獻(xiàn)
第5章  模糊決策樹(shù)的集成學(xué)習(xí)
  5.1  集成學(xué)習(xí)簡(jiǎn)介
  5.2  分層混合專(zhuān)家系統(tǒng)
  5.3  基于模糊粗糙集技術(shù)的多模糊決策樹(shù)歸納
  5.4  模糊決策森林
  5.5  基于上積分的集成學(xué)習(xí)
  5.6  基于集合劃分的非線性積分及其在決策樹(shù)中的應(yīng)用
  參考文獻(xiàn)
第6章  不確定環(huán)境下的其他歸納學(xué)習(xí)方法
  6.1  基于粗糙集的模糊規(guī)則抽取方法
  6.2  基于模糊粗糙集技術(shù)的模糊決策樹(shù)
  6.3  模糊多類(lèi)支持向量機(jī)
  6.4  基于模糊擴(kuò)張矩陣的規(guī)則抽取方法
  6.5  基于CBR的規(guī)則抽取方法
  6.6  支持向量機(jī)反問(wèn)題
  6.7  基于局部泛化誤差的RBFNN特征選擇方法
  6.8  結(jié)構(gòu)化最大間隔分類(lèi)器
  參考文獻(xiàn)