针对数据挖掘的特点和本质,充分利用贝叶斯方法和决策树分类的优点,将贝叶斯的先 验信息方法与决策树分类的信息增益方法相结合,提出了一种新的数据挖掘分类算法(BD1. 0 算 法) ,并对此算法进行了设计和分析。实验分析表明,该算法可以处理不一致或者不完整数据等“脏 数据”,比单纯使用贝叶斯方法或决策树方法具有更高的准确率,而且与C4. 5算法具有近似的时间 复杂度。

本文首先介绍了数据分类的相关概念，分析了数据挖掘中的几种分类技术: 决策树分类、贝叶斯分类、神经网络分类、支持向量机分类，对其中最常用的 决策树分类算法进行了深入地研究。决策树是分类应用中采用最广泛的模型之 一，与神经网络和贝叶斯方法相比，一决策树无须花费大量的时间和进行上千次 的迭代来训练模型，适用于大规模数据集，除了训练数据中的信息外，不再需 要其他额外信息，表现了很好的分类精确度，以其规则易于提取和容易理解的 学硕士学位论文第一章绪论 优点得到了广泛应用。其核心问题是测试属性选择的策略，

基于贝叶斯方法的决策树分类算法 基于贝叶斯方法的决策树分类算法