基于不确定性的决策树归纳

《信息科学技术学术著作丛书》序
前言
第1章  不确定性
  1.1  随机性
  1.2  模糊性
  1.3  不可指定性
  1.4  粗糙性
  1.5  几种不确定性的比较
  参考文献
第2章  不确定环境下的决策树归纳
  2.1  决策树归纳简介
  2.2  连续值属性的决策树归纳
  2.3  最优割点的模糊化处理
  2.4  模糊决策树归纳
  2.5  模糊决策树算法中三种常用启发式比较
  2.6  交互作用度量
  2.7  聚类决策树
  参考文献
第3章  决策树的优化
  3.1  基于分支合并的决策树优化
  3.2  基于优化学习的模糊规则简化
  3.3  通过混合神经网络改善模糊决策树的学习精度
  3.4  提高模糊规则泛化能力的最大化模糊熵方法
  3.5  优化模糊规则的T-S范式神经网络方法
  3.6  模糊决策树构建过程中的参数选择
  参考文献
第4章  主动学习和模糊决策树的特征选择
  4.1  主动学习简介
  4.2  选择具有代表性的样例
  4.3  调整特征权重以提高支持向量机的泛化能力
  4.4  最优模糊值属性子集选择
  4.5  基于最大不确定性的主动学习
  4.6  采用主动学习提高学习系统的泛化能力
  参考文献
第5章  模糊决策树的集成学习
  5.1  集成学习简介
  5.2  分层混合专家系统
  5.3  基于模糊粗糙集技术的多模糊决策树归纳
  5.4  模糊决策森林
  5.5  基于上积分的集成学习
  5.6  基于集合划分的非线性积分及其在决策树中的应用
  参考文献
第6章  不确定环境下的其他归纳学习方法
  6.1  基于粗糙集的模糊规则抽取方法
  6.2  基于模糊粗糙集技术的模糊决策树
  6.3  模糊多类支持向量机
  6.4  基于模糊扩张矩阵的规则抽取方法
  6.5  基于CBR的规则抽取方法
  6.6  支持向量机反问题
  6.7  基于局部泛化误差的RBFNN特征选择方法
  6.8  结构化最大间隔分类器
  参考文献