数据挖掘(Data Mining)是信息处理技术研究领域的一项重要课题。它是指从大型数据库或数据仓库中提取隐含的、未知的、非平凡的以及有潜在应用价值的信息或模式的过程。它融合了数据库、人工智能、机器学习、统计学等多个领域的理论和技术。分类分析是数据挖掘技术研究的一个重要方向。常用的分类模型有决策树、神经网络、遗传算法、粗糙集模型、统计模型等。本文主要研究决策树 ID3 算法及其改进算法。 由于数据挖掘中分类算法在商业应用最为广泛,而决策树算法是数据挖掘分类的核心技术算法之一。在决策树算法中有 Quinlan 于 1986 年提出的 ID3 算法最为著名,由于该算法有两大主要缺点:1.算法往往偏向于选择取值较多的属性,而属性较多的属性却不总是最优的属性。2.ID3 学习简单的逻辑表达式能力较差。为了解决这些问题,本文在ID3算法的基础上提出了将MID3算法与普通二叉树算法相结合的MID3二叉树算法,通过使用同一训练集对不同算法建立的决策树的比较,得出应用 MID3 二叉树算法比ID3 算法所得的决策数更为理想。 由于以往决策树算法大都用面向过程的语言描述、实现,所以本文将从面向对象的观点出发,用目前较为流行的 C#语言实现 ID3 算法及其改进 MID3 二叉树算法。并且在此基础上开发一个以改进算法为核心的完整决策树生成系统(学习系统)。此学习系统面向实际,实现了从数据导入到生成规则的完整数据挖掘步骤。而且功能较强大(能处理属性值缺失数据、连续属性数据等)。 根据煤矿集团的实际需要,并结合具体问题,将此学习系统应用于某煤矿集团物资设备辅助决策系统,通过对煤矿集团物资设备系统中的数据进行分析和挖掘,生成对辅助决策有用的“规则”。