随着数据库技术的成熟和数据应用的普及,人类积累的数据量正在以指数速度迅速增长。人们面对的是浩瀚无垠的数据海洋,数据洪水正以扑面之势向人们滚滚涌来。与这种现实情况形成鲜明对比的是,当数据量以极快的速度增长时,由于缺乏迅速、高效的方法利用计算机及信息技术来提取有用的信息和知识,人们感到面对数据海洋像大海捞针一样束手无策。为了有效解决数据丰富性及知识贫乏性的矛盾,人们发展了“数据库中的知识发现”及其核心技术——“数据挖掘”。 数据分类方法是数据挖掘技术中的一种非常重要的方法。当人们面对海量、芜杂、纷乱的数据时,首先要对这些数据进行分类,然后再对较小的数据集合进行分析研究,进而做出决策和预测。 本文正是基于上述背景,对两种常见而又重要的分类技术——决策树和人工神经网络的定义、基本功能、常见模型,以及模型构造方法和影响因素进行了系统介绍,根据具体的实际情况,使用定性和定量相结合的分析方法对两种技术进行研究。从多个角度、多个层次比较了决策树方法和人工神经网络方法在各自的适用领域中的优势和劣势。 本文最后得出的结论是,人工神经网络作为一种新兴技术,在特定环境和特定条件下,与决策树方法相比,解决数据分类问题具有独到之处。若将二者结合起来,利用决策树优化数据集合,再将数据输入优化后的BP人工神经网络进行训练将得到很好的输出结果。