基于样本分析的贝叶斯网络动态建模

提要	第1-7页
第一章 绪论	第7-17页
·数据挖掘	第7-12页
·数据挖掘起源	第7-9页
·数据挖掘的定义和过程	第9-10页
·数据挖掘的应用和发展趋势	第10-12页
·分类模型简介	第12-15页
·本文研究目的和主要内容	第15-17页
第二章 贝叶斯网络分类模型	第17-32页
·贝叶斯概率基础	第17-20页
·信息论相关概念	第20-23页
·信息熵	第21-22页
·互信息	第22-23页
·经典贝叶斯网络分类模型	第23-31页
·朴素贝叶斯网络分类器	第25-27页
·树增广朴素贝叶斯网络分类器	第27-29页
·无约束贝叶斯网络分类器	第29-31页
·本章小结	第31-32页
第三章 基于特定联合互信息的属性约简算法	第32-47页
·基于最小描述长度（MDL）的分类模型评估	第32-35页
·最小描述长度（MDL）准则原理	第32-33页
·基于MDL准则的分类模型编码方法	第33页
·基于MDL的分类模型评估方法	第33-35页
·联合互信息	第35-36页
·特定联合互信息（SJMI）	第36-37页
·基于特定联合互信息（SJMI）的属性约简	第37-46页
·基于特定联合互信息（SJMI）的属性约简	第37-38页
·约简过程	第38-43页
·实验结果分析和与weka中决策树ID3的比较	第43-46页
·本章小结	第46-47页
第四章 动态树增广朴素贝叶斯分类模型(DTAN)	第47-61页
·动态树增广朴素贝叶斯网络（DTAN）学习模型	第47-51页
·动态贝叶斯网络	第48-49页
·动态树增广朴素贝叶斯网络（DTAN）学习模型	第49-51页
·实验分析	第51-60页
·树增广朴素贝叶斯网络（TAN）建模	第51-55页
·动态树增广朴素贝叶斯网络（DTAN）建模	第55-57页
·分析与比较	第57-60页
·本章总结	第60-61页
第五章 总结与展望	第61-63页
·本文总结	第61-62页
·工作展望	第62-63页
参考文献	第63-66页
摘要	第66-69页
Abstract	第69-72页
致谢	第72-73页
导师及作者简介	第73页