1绪论
1.1本文研究背景及意义
伴着科技的高速发展，特别是计算机技术和通讯技术的不断进步，大多数企业都拥有自己的管理信息系统(MiS)来管理生产活动，但在生产决策方面还主要采用手工报表分析数据的方式，这种方法存在工作量大、速度慢及容易丢失数据等问题，因此企业管理者迫切需要一套适合自身企业发展的决策支持系统来及时了解企业信息，做出利十企业发展的决策，决策支持系统(DSS)应运而生
企业的管理信息系统每口都在产生大量数据放入数据库，海量的数据将一些有用的信息淹没。如何从大量业务数据中挖掘出生产活动的规律、市场的动作趋势，为企业参与市场竞争做出重要决策，已经起来越受到各大企业的重视，并成为学术界的一个重要课题。在企业决策支持系统的研究中主要有基十专家系统的DSS、基十人工智能技术的DSS及基十网络技术的DSS。目前最为广泛研究及应用的技术是将数据库技术和人工智能技术相结合数据挖掘技术，该技术融合统计分析及模块化的方法，更容易找出隐藏在人量数据集中的模式及关联性，从而为企业的决策行为提供有力的支持。成为企业DSS发展的一个重要里程碑。数据挖掘技术的主要方法有:分类和预测、关联规则、聚类分析等。其中决策树分类又是分类中常用的方法之一
在企业数据挖掘中，不管是分类还是关联规则挖掘，在现实应用中都是必不可少的。传统的分类方法，并没有利用关联规则挖掘得出的结果来指导分类;而挖掘出的那些关联规则，特别是规则后件为分类任务中的类标号属性时，是完全可以用来指导分类的。因此，如果能将二者结合起来，便会为企业带来巨大的节省。
本文的主要目的就是通过深入研究数据挖掘技术中的关联规则、决策树方法，根据关联规则在信息挖掘过程中的不足之处，采用决策树对十进行拟补，从而为研究高效实用的企业DSS系统提供更有力的理论及实践支持。
1.2国内外的究动态及进展
1. 2. 1关联规贝的研究现状
自1993年Agrawall提出数据库中的关联规则挖掘后，关联规则挖掘算法及应用得到迅速发展。关联规则的功能不再局限十概念描述。1997年，Ali等人提出了使用分类关联规则进行部分分类的思想，但他们当时认为关联规则在分类预测问题上很难取得重大的进展。1998年，在纽约举行的数据库知识发现(KDD)国际会议上，新加坡国立大学的Liu等人提出了基十分类关联规则(Class Association Rule)的关联分类算法CBA(ClassificationBased on Association)，从此揭开了关联分类的序幕。以后诸多的研究人员对关联规则的挖掘问题进行了大量的研究。他们的工作包括对原有的算法进行优化，如引入随机采样、并行的思想等，以提高算法挖掘规则的效率;提出各种变体，如泛化的关联规则、周期关联规则等，对关联规则的应用进行推广
关联规则挖掘经典算法是1994年Agrawal和Srikant提出的Apriori算法Apriori算法通过多次迭代来找出所有的频繁项目集，在第k次迭代过程中找出所有的频繁k项目集Lk。该算法使用如下启发式规则:一个项目集是频繁项目集，则此项目集的所有子集构成的项目集也一定是频繁项目集;一个项目集是非频繁项目集，则此项目集的所有超集(即包含此项目集的项目集)一定是非频繁项目集。因此，第k次迭代时的候选项目集可由第Ck-1次迭代时找出的所有频繁Ck-1项目集之间通过连接运算得到。
3 基于决策树的快速关联......... 21-34
3.1 构造决策树......... 21-26
3.1.1 ID3 算法......... 23-25
3.1.2 决策树的剪枝......... 25-26
3.1.3 决策树的代价......... 26
3.2 基于 LOAP 关联规则 Apriori 算法......... 26-29
3.2.1 基本Apriori算法......... 27
3.2.2 Apriori算法改进......... 27-29
3.3 基于决策树的快速关联规则......... 29-33
3.3.1 基于决策树的快速......... 29-30
3.3.2 实例验证......... 30-33
3.4 小结......... 33-34
4 基于数据挖掘技术的决策支持......... 34-51
4.1 多属性决策支持系统......... 34-38
4.1.1 系统平台功能......... 34
4.1.2 系统平台设计......... 34-36
4.1.3 系统平台模块......... 36
4.1.4 系统平台的......... 36-38
4.2 多属性决策支持系统......... 38-50
4.2.1 系统设置及主界面......... 38-39
4.2.2 决策树分类模块实现......... 39-42
4.2.3 关联规则分类模块实现......... 42-43
4.2.4 本文改进算法分类模块实现......... 43-50
4.3 小结......... 50-51
5 结论与展望......... 51-52
结论与展望
本文针对决策支持系统及其算法优化，并此基础上构建决策支持系统等问题，主要做了如下工作并取得了相应的结果:
1.对关联规则的挖掘问题进行了较为深入的研究，分析对比了Apriori算法和FP-Growth算法;对决策树算法的代表算法工D3算法进行了深入分析研究;
2.对目前关联规则挖掘和决策树分类算法在与决策支持系统结合过程中的问题，分析研究了一种基十决策树的快速关联规则挖掘算法;给出了所提方法的原理及实现步骤，理论分析方法的可行性及正确性，并经过实验验证;
3.基于本文所提算法，采用MATLAB和SQL SERVER2005设计了一种决策支持系统平台，实现了决策树分类过程、剪枝过程、分类结果及关联规则挖掘的可视化。以耗油和车身重量等属性决策汽车所属年代这一决策过程为例，进一步验证本文所提算法及设计平台的正确性和有效性。