基于粗集理论的数据挖掘技术研究
| 第一章 绪论 | 第1-14页 |
| 1．1 引言 | 第7页 |
| 1．2 数据挖掘概述 | 第7-12页 |
| 1．2．1 数据挖掘的一般结构 | 第7-8页 |
| 1．2．2 数据挖掘的分类 | 第8页 |
| 1．2．3 数据挖掘的方法 | 第8-10页 |
| 1．2．4 数据挖掘的应用 | 第10-11页 |
| 1．2．5 数据挖掘所面临的挑战 | 第11-12页 |
| 1．3 本文的工作 | 第12-13页 |
| 1．4 本文的组织 | 第13-14页 |
| 第二章 粗集及其相关理论 | 第14-22页 |
| 2．1 引言 | 第14页 |
| 2．2 粗集的基本理论 | 第14-16页 |
| 2．3 可变精度粗集模型 | 第16-17页 |
| 2．4 相容关系模型 | 第17-19页 |
| 2．5 粗集分类规则发现模式 | 第19-22页 |
| 第三章 基于粗集的规则不确定性量度 | 第22-30页 |
| 3．1 引言 | 第22页 |
| 3．2 信息熵 | 第22-23页 |
| 3．3 DúNTSCH方法 | 第23-24页 |
| 3．4 基于粗集的规则不确定性量度 | 第24-30页 |
| 3．4．1 一种推广的粗集模型 | 第24-26页 |
| 3．4．2 基于CRS的规则不确定性量度 | 第26-30页 |
| 第四章 基于粗集的广义极大极小转换模型 | 第30-47页 |
| 4．1 引言 | 第30-31页 |
| 4．2 噪音处理方法 | 第31-33页 |
| 4．3 广义极大极小方法 | 第33-40页 |
| 4．3．1 极小规则和极大规则的定义 | 第33-34页 |
| 4．3．2 规则的广义极小化和广义极大化算法 | 第34-37页 |
| 4．3．2．1 规则的广义极小化算法 | 第34-35页 |
| 4．3．2．2 规则的广义极大化算法 | 第35-37页 |
| 4．3．3 实验结果及其分析 | 第37-40页 |
| 4．4 广义极大极小规则转换模型GMM | 第40-47页 |
| 4．4．1 广义极大极小规则转换模型描述 | 第40-41页 |
| 4．4．2 GMM模型在决策树规则简化中的应用 | 第41-47页 |
| 4．4．2．1 决策树规则简化方法 | 第41-42页 |
| 4．4．2．2 实验结果及其分析 | 第42-47页 |
| 第五章 基于粗集的连续属性离散化 | 第47-54页 |
| 5．1 引言 | 第47页 |
| 5．2 连续属性离散化方法 | 第47-48页 |
| 5．3 基于粗集的连续属性离散化方法 | 第48-52页 |
| 5．3．1 新算法的基本思想 | 第48-50页 |
| 5．3．2 连续属性离散化算法描述 | 第50-52页 |
| 5．4 实验结果及其分析 | 第52-54页 |
| 第六章 结论 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-61页 |
