| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 研究背景与意义 | 第9-15页 |
| 1.1.1 数据挖掘 | 第9-11页 |
| 1.1.2 数据挖掘中的分类问题 | 第11-12页 |
| 1.1.3 常见的分类方法 | 第12-13页 |
| 1.1.4 分类方法的比较和评估 | 第13-14页 |
| 1.1.5 贝叶斯网络 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.3 论文工作及章节安排 | 第17-18页 |
| 1.4 本章小结 | 第18-19页 |
| 第2章 相关理论与技术基础 | 第19-25页 |
| 2.1 贝叶斯网络的概念 | 第19-22页 |
| 2.1.1 贝叶斯分类规则 | 第20页 |
| 2.1.2 马尔科夫毯Markov Blanket(MB) | 第20-21页 |
| 2.1.3 忠实性(faithfulness) | 第21-22页 |
| 2.2 贝叶斯网络分类模型 | 第22-23页 |
| 2.2.1 朴素贝叶斯模型(Na?ve Bayes Model) | 第22页 |
| 2.2.2 TAN模型(Tree augmented naive Bayes) | 第22-23页 |
| 2.3 本章小结 | 第23-25页 |
| 第3章 贝叶斯网络参数学习 | 第25-29页 |
| 3.1 完备数据集的参数学习 | 第25-26页 |
| 3.1.1 独立同分布 | 第25页 |
| 3.1.2 极大似然估计MLE | 第25-26页 |
| 3.1.3 贝叶斯估计 | 第26页 |
| 3.2 不完备数据集的参数学习 | 第26-27页 |
| 3.3 本章小节 | 第27-29页 |
| 第4章 贝叶斯网络结构学习 | 第29-53页 |
| 4.1 IPC-GBNC | 第29-40页 |
| 4.1.1 算法的思想 | 第29-30页 |
| 4.1.2 理论基础 | 第30页 |
| 4.1.3 算法描述 | 第30-33页 |
| 4.1.4 IPC-GBNC的正确性证明 | 第33-34页 |
| 4.1.5 IPC-GBNC的图形化推导过程示例 | 第34-35页 |
| 4.1.6 IPC-GBNC算法的特点 | 第35-36页 |
| 4.1.7 实验 | 第36-40页 |
| 4.2 LAS-GBNC | 第40-44页 |
| 4.2.1 IPC-GBNC的缺点与不足 | 第40-41页 |
| 4.2.2 LAS-GBNC算法设计 | 第41-43页 |
| 4.2.3 LAS-GBNC算法特点介绍 | 第43-44页 |
| 4.3 LAS-GBNC+ | 第44-45页 |
| 4.4 实验研究 | 第45-47页 |
| 4.4.1 数据集 | 第45页 |
| 4.4.2 方法 | 第45页 |
| 4.4.3 评价衡量标准 | 第45页 |
| 4.4.4 结果和讨论 | 第45-47页 |
| 4.5 DOS-GMBNC | 第47-51页 |
| 4.5.1 算法描述和验证 | 第47-48页 |
| 4.5.2 DOS-GMBNC的一个推导过程实例 | 第48页 |
| 4.5.3 实验研究 | 第48-51页 |
| 4.6 本章小结 | 第51-53页 |
| 第5章 贝叶斯网络分类器在信用评分中的应用 | 第53-59页 |
| 5.1 个人信用评分的研究现状 | 第53-54页 |
| 5.2 实验数据介绍 | 第54页 |
| 5.3 实验与结果分析 | 第54-57页 |
| 5.3.1 实验环境 | 第54页 |
| 5.3.2 实验截图 | 第54-56页 |
| 5.3.3 实验结果分析 | 第56-57页 |
| 5.4 本章小结 | 第57-59页 |
| 第6章 总结与展望 | 第59-61页 |
| 6.1 本文工作总结 | 第59页 |
| 6.2 本文的主要特色 | 第59-60页 |
| 6.3 未来工作展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-67页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第67页 |
