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

《基于不确定性的决策树归纳》主要介绍不确定性及不确定环境下的决策树归纳方法，包括模糊决策树归纳、最优割点的模糊化处理、决策树优化、主动学习与特征选择在模糊决策树中的应用、模糊决策树的集成学习等内容。本书结合作者近年来关于决策树归纳学习的研究成果，以决策树归纳学习的基本理论为基础，全面系统地讨论了决策树归纳学习中的主要问题。
《基于不确定性的决策树归纳》可作为应用数学、智能科学与技术、自动化等专业高年级本科生和研究生的教材，也可供从事相关研究工作的科研人员参考。

《基于不确定性的决策树归纳》首先介绍什么是不确定性，以及几种常见的不确定性：随机性、模糊性、不可指定性和粗糙性。通过讨论这几种不确定性之间的关系，为后面基于不确定性的决策树归纳学习提供基础。其次介绍不确定环境下决策树归纳过程中不确定性的表示、度量及应用。最后介绍不确定环境下的决策树生成算法、匹配策略、决策树优化算法、特征选取和样本选取此外，本书还介绍了不确定环境下的决策树集成和其他的归纳学习方法。