基于不確定性的決策樹歸納

《信息科學技術學術著作叢書》序
前言
第1章  不確定性
  1.1  隨機性
  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
第2章  不確定環(huán)境下的決策樹歸納
  2.1  決策樹歸納簡介
  2.2  連續(xù)值屬性的決策樹歸納
  2.3  最優(yōu)割點的模糊化處理
  2.4  模糊決策樹歸納
  2.5  模糊決策樹算法中三種常用啟發(fā)式比較
  2.6  交互作用度量
  2.7  聚類決策樹
  參考文獻
第3章  決策樹的優(yōu)化
  3.1  基于分支合并的決策樹優(yōu)化
  3.2  基于優(yōu)化學習的模糊規(guī)則簡化
  3.3  通過混合神經(jīng)網(wǎng)絡改善模糊決策樹的學習精度
  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)絡方法
  3.6  模糊決策樹構建過程中的參數(shù)選擇
  參考文獻
第4章  主動學習和模糊決策樹的特征選擇
  4.1  主動學習簡介
  4.2  選擇具有代表性的樣例
  4.3  調(diào)整特征權重以提高支持向量機的泛化能力
  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學習
  4.6  采用主動學習提高學習系統(tǒng)的泛化能力
  參考文獻
第5章  模糊決策樹的集成學習
  5.1  集成學習簡介
  5.2  分層混合專家系統(tǒng)
  5.3  基于模糊粗糙集技術的多模糊決策樹歸納
  5.4  模糊決策森林
  5.5  基于上積分的集成學習
  5.6  基于集合劃分的非線性積分及其在決策樹中的應用
  參考文獻
第6章  不確定環(huán)境下的其他歸納學習方法
  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的模糊決策樹
  6.3  模糊多類支持向量機
  6.4  基于模糊擴張矩陣的規(guī)則抽取方法
  6.5  基于CBR的規(guī)則抽取方法
  6.6  支持向量機反問題
  6.7  基于局部泛化誤差的RBFNN特征選擇方法
  6.8  結構化最大間隔分類器
  參考文獻