基于信息论的特征选择和分类算法研究
| 摘要 | 第1-9页 |
| ABSTRACT | 第9-12页 |
| 第1章 文献综述 | 第12-24页 |
| 1．1 数据挖掘 | 第12-17页 |
| 1．1．1 数据挖掘产生的背景 | 第12页 |
| 1．1．2 数据挖掘的基本概念 | 第12-13页 |
| 1．1．3 数据挖掘的种类 | 第13-14页 |
| 1．1．4 数据挖掘处理过程 | 第14-15页 |
| 1．1．5 数据挖掘的技术定位 | 第15-16页 |
| 1．1．6 数据挖掘的研究现状和发展趋势 | 第16-17页 |
| 1．2 特征选择 | 第17-20页 |
| 1．2．1 特征选择的概念 | 第17页 |
| 1．2．1 特征选择的种类 | 第17-18页 |
| 1．2．2 特征选择过程 | 第18-19页 |
| 1．2．3 特征选择算法研究的现状 | 第19-20页 |
| 1．3 数据挖掘中的分类问题 | 第20-24页 |
| 1．3．1 数据分类的概念 | 第20页 |
| 1．3．2 数据分类的过程 | 第20-21页 |
| 1．3．4 分类方法的比较和评估标准 | 第21页 |
| 1．3．5 几种主要的分类方法 | 第21-24页 |
| 第2章 绪论 | 第24-25页 |
| 第3章 信息论度量 | 第25-30页 |
| 3．1 信息论与数据挖掘 | 第25-26页 |
| 3．1．1 通信传输过程 | 第25页 |
| 3．1．2 信息传输与数据挖掘 | 第25-26页 |
| 3．2 信息熵 | 第26-27页 |
| 3．3 条件熵 | 第27页 |
| 3．4 互信息 | 第27-28页 |
| 3．5 条件互信息 | 第28-29页 |
| 小结 | 第29-30页 |
| 第4章 基于信息论的特征选择算法 | 第30-38页 |
| 4．1 特征选择方法 | 第30页 |
| 4．2 特征相关性 | 第30-31页 |
| 4．3 马尔可夫毯与特征冗余 | 第31-32页 |
| 4．4 基于关联的特征选择方法 | 第32-36页 |
| 4．4．1 关联度量的选取 | 第32-33页 |
| 4．4．2 基于熵的连续特征离散化 | 第33页 |
| 4．4．3 特征的相关性分析 | 第33-34页 |
| 4．4．4 近似的马尔可夫毯过滤法 | 第34-35页 |
| 4．4．5 特征选择算法——ECBF | 第35-36页 |
| 4．5 算法的时间复杂度分析 | 第36-37页 |
| 小结 | 第37-38页 |
| 第5章 基于信息论的数据分类学习算法 | 第38-43页 |
| 5．1 互信息网络 | 第38页 |
| 5．2 互信息网络构建过程 | 第38-41页 |
| 5．2．1 特征结点选择 | 第39页 |
| 5．2．2 互信息网络构建算法 | 第39-41页 |
| 5．3 算法的时间复杂度分析 | 第41页 |
| 5．4 分类规则的提取 | 第41-42页 |
| 小结 | 第42-43页 |
| 第6章 算法性能分析及检验 | 第43-49页 |
| 6．1 实验数据准备 | 第43页 |
| 6．2 特征选择算法ECBF实验评估 | 第43-46页 |
| 6．2．1 实验比较算法的选择 | 第43-44页 |
| 6．2．2 实验方法 | 第44页 |
| 6．2．3 特征选择算法ECBF的运行效率 | 第44页 |
| 6．2．4 特征选择算法ECBF的有效性 | 第44-45页 |
| 6．2．5 特征选择算法ECBF的实验结果分析 | 第45-46页 |
| 6．3 数据分类学习算法MITN实验评估 | 第46-48页 |
| 6．3．1 实验比较算法的选择 | 第46-47页 |
| 6．3．2 分类学习算法MITN的运行效率 | 第47页 |
| 6．3．3 分类学习算法MITN的实验结果分析 | 第47-48页 |
| 小结 | 第48-49页 |
| 第7章 结论 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 附录 | 第53-57页 |
| 致谢 | 第57-58页 |
| 发表论文及参加课题一览表 | 第58页 |
| 发表论文： | 第58页 |
| 参加课题： | 第58页 |
