| 摘要 | 第1-7页 |
| Abstract | 第7-11页 |
| 第一章 绪论 | 第11-18页 |
| ·研究背景和意义 | 第11-12页 |
| ·贝叶斯网络的产生、发展及研究现状 | 第12-14页 |
| ·本文的研究内容 | 第14-16页 |
| ·论文组织 | 第16-18页 |
| 第二章 贝叶斯网络概述 | 第18-24页 |
| ·贝叶斯网络相关概念 | 第18-19页 |
| ·d-分隔 | 第19-21页 |
| ·贝叶斯网络学习的一些前提假设 | 第21页 |
| ·贝叶斯网络参数学习 | 第21页 |
| ·贝叶斯网络结构学习 | 第21-24页 |
| ·基于评分和搜索的方法 | 第22-23页 |
| ·基于条件独立性测试的方法 | 第23-24页 |
| 第三章 最大相关-最小冗余贪婪(MRMRG)贝叶斯网络结构学习算法研究 | 第24-40页 |
| ·最大相关-最小冗余特征选择技术 | 第24-25页 |
| ·K2算法 | 第25-28页 |
| ·局部贝叶斯增量函数 | 第28-30页 |
| ·MRMRG算法 | 第30-32页 |
| ·OMRMRG算法 | 第32-37页 |
| ·基于结点次序贪婪贝叶斯网络学习算法 | 第33-34页 |
| ·OMRMRG算法 | 第34-37页 |
| ·基于 MRMR的学习算法实验分析 | 第37-40页 |
| ·贝叶斯网络测试实例介绍 | 第37页 |
| ·MRMRG算法实验分析 | 第37-38页 |
| ·OMRMRG算法实验分析 | 第38-40页 |
| 第四章 基于根结点采样的贝叶斯网络结构学习算法研究 | 第40-66页 |
| ·图模型的基本概念 | 第40-41页 |
| ·集成学习介绍 | 第41-42页 |
| ·Bagging方法 | 第41-42页 |
| ·组件集成方法 | 第42页 |
| ·一个贝叶斯网络例子 | 第42页 |
| ·基于集成的贝叶斯网络学习框架 | 第42-43页 |
| ·根结点搜索方法 | 第43-46页 |
| ·基于根结点采样分解技术的贝叶斯网络学习算法 | 第46-55页 |
| ·基于根结点的采样分解方法 | 第46-49页 |
| ·RNSD正确性证明 | 第49-52页 |
| ·RNSD集成方法 | 第52-55页 |
| ·基于根结点采样增量技术的贝叶斯网络学习算法 | 第55-61页 |
| ·基于根结点的采样增量方法 | 第55-57页 |
| ·RNS正确性证明 | 第57-59页 |
| ·RNS集成方法 | 第59-61页 |
| ·基于集成的贝叶斯网络学习算法实验分析 | 第61-66页 |
| ·贝叶斯网络测试实例介绍 | 第61页 |
| ·根结点搜索算法实验分析 | 第61-62页 |
| ·基于根结点采样学习算法实验分析 | 第62-66页 |
| 第五章 关联规则-贝叶斯网络集成学习算法研究 | 第66-80页 |
| ·关联规则相关概念 | 第66-67页 |
| ·Apriori算法 | 第67-70页 |
| ·FIM-HTLC算法 | 第70-74页 |
| ·产生频繁1，2-项集集合 | 第70-71页 |
| ·产生频繁k,(k+1)-项集集合 | 第71-74页 |
| ·关联规则-贝叶斯网络集成学习算法 | 第74-76页 |
| ·关联规则-贝叶斯网络集成学习算法实验分析 | 第76-80页 |
| ·FIM-HTLC算法实验分析 | 第76-77页 |
| ·FIM-BNL算法实验分析 | 第77-80页 |
| 第六章 贝叶斯网络在电信客户流失预测分析中的应用初探 | 第80-90页 |
| ·客户流失预测分析流程 | 第81页 |
| ·客户流失预测分析的商业理解 | 第81-82页 |
| ·客户流失预测分析的数据理解 | 第82-84页 |
| ·客户流失预测分析的数据准备 | 第84-87页 |
| ·数据抽取 | 第84-85页 |
| ·数据清洗 | 第85页 |
| ·数据转换和属性转换 | 第85-86页 |
| ·属性选择 | 第86-87页 |
| ·基于贝叶斯网络的客户主动流失预测分析建模初探 | 第87-88页 |
| ·模型初步评估 | 第88-90页 |
| 第七章 论文工作总结和展望 | 第90-92页 |
| ·论文工作内容 | 第90-91页 |
| ·下一步工作展望 | 第91-92页 |
| 参考文献 | 第92-106页 |
| 缩略语 | 第106-107页 |
| 发表论文 | 第107-108页 |
| 致谢 | 第108页 |
