决策树分类器在《厚普销售管理系统》中的应用

论文摘要

随着数据库技术的不断发展及数据库管理系统的广泛应用,数据库中存储的数据量急剧增大,在大量的数据背后隐藏着许多重要的信息。数据挖掘（DM,Data Mining）就是从数据库中大量的数据中提取隐含在其中的、可信和有用的信息和知识的过程。分类（classification）是数据挖掘中的一种非常重要的方法。它是在已有数据的基础上学会一个分类函数或构造出一个分类模型（即我们通常所说的分类器（classifier））。该函数或模型能够把数据库中的数据项映射到给定类别中的某一个,从而可以应用于数据预测。决策树分类器是分类器中的一种。决策树（decision tree）是一个类似流程图的树型结构,其中树的每个内部结点代表对一个属性（取值）的测试,其分支就代表测试的每个结果,而树的每个叶结点就代表一个类别。决策树很容易用IF-THEN 规则进行表达。决策树的学习涉及到训练集的选择,分类器的可信度涉及到正确性的评估,这可以通过改进的k-折交叉确认（k-fold cross-validation）方法解决。信息增益（Information Gain）可用于连续属性的分割以及分裂属性的选择标准。《厚普销售管理系统》是应正达水泥制造实业有限公司的要求而提出的一个软件项目,是为企业管理的信息化而设计的。其中的《应收款管理子系统》是由本人独立完成的,它是《厚普销售管理系统》的一个子系统。应收款（receivable）是企业对外赊销产品、材料、劳务等项目而形成的应向对方收取相应款项的一种外置资产。我在《应收款管理子系统》中应用了决策树分类器技术,生成决策树的算法是在ID3 算法的基础上改进后实现的。该决策树分类器的功能是对应收款能否按期归还进行预测,经过企业近6 个月的试运行,已初见成效。

论文目录

• 第一章 数据挖掘
• 1.1 数据挖掘概述
• 1.1.1 基本概念
• 1.1.2 产生背景
• 1.1.3 发展历程
• 1.1.4 历史与现状
• 1.1.5 数据挖掘的未来
• 1.2 数据挖掘的功能
• 1.3 数据挖掘的方法
• 1.4 数据挖掘的过程
• 1.5 数据挖掘的应用
• 1.6 数据挖掘中存在的问题
• 1.7 数据挖掘当前的热点
• 第二章 决策树分类器
• 2.1 分类技术
• 2.1.1 分类技术概述
• 2.1.2 分类的主要方法
• 2.1.3 分类的比较和评估
• 2.2 决策树分类技术
• 2.2.1 决策树的概念
• 2.2.2 决策树的表示
• 2.2.3 决策树的构造方法
• 2.2.4 决策树分类器预测准确率的评估
• 2.2.5 决策树的优缺点
• 第三章 决策树分类算法讨论及改进
• 3.1 基本的ID3 算法
• 3.2 算法讨论及改进
• 3.2.1 关于分裂属性的选择
• 3.2.2 关于连续属性值的离散化处理
• 3.2.3 关于训练集、测试集的选取和准确性的评估
• 第四章 厚普销售管理系统
• 4.1 厚普销售管理系统简介
• 4.1.1 企业介绍
• 4.1.2 项目缘由
• 4.2 厚普销售管理系统的系统结构
• 4.3 厚普销售管理系统采用C/S 网络应用模式
• 4.3.1 MIS 应用架构模式简介
• 4.3.2 C/S 模式与B/S 模式之间的选择
• 4.4 厚普销售管理系统的技术特点
• 4.4.1 系统采用C/S 模式
• 4.4.2 用户界面友好
• 4.4.3 具有较强的查询和统计分析功能
• 4.4.4 实用的数据导入、导出功能
• 4.4.5 具有辅助决策能力
• 4.4.6 完善的安全性
• 4.5 应收款管理子系统简介
• 4.6 本人的主要工作
• 第五章 决策树分类器在《厚普销售管理系统》中的实现
• 5.1 系统的总体设计思路
• 5.1.1 需求分析
• 5.1.2 设计思路
• 5.2 系统设计的实现
• 5.2.1 数据预处理
• 5.2.2 决策树分类器生成及相关算法
• 5.3 算法在工程实践中的实现和改进
• 5.3.1 决策树生成过程中的终止条件
• 5.3.2 连续属性的离散化
• 5.3.3 数据集被划分子集数即折数k 的确定
• 第六章 决策树分类器的应用及评估
• 6.1 分类器的应用操作界面
• 6.2 分类器应用的评估
• 第七章 总结与展望
• 致谢
• 参考文献
• 附:主要算法源代码