| 中文摘要 | 第1-10页 |
| 英文摘要 | 第10-12页 |
| 缩略词和符号说明 | 第12-13页 |
| 插图和附表索引 | 第13-15页 |
| 第一章 绪论 | 第15-35页 |
| §1．1 知识发现的研究背景及定义 | 第15-18页 |
| 1．1．1 知识发现的研究背景 | 第15-16页 |
| 1．1．2 知识发现的定义 | 第16-18页 |
| §1．2 知识发现的处理过程 | 第18-24页 |
| 1．2．1 Fayyad给出的知识发现过程模型 | 第18-20页 |
| 1．2．2 其它的知识发现过程模型 | 第20-21页 |
| 1．2．3 基于数据抽取器的知识发现处理模型 | 第21-24页 |
| §1．3 知识发现过程的研究现状与发展趋势 | 第24-31页 |
| 1．3．1 知识发现过程的研究概况 | 第24-27页 |
| 1．3．2 知识发现与相关学科的区别与联系 | 第27页 |
| 1．3．3 知识发现过程的应用与发展 | 第27-30页 |
| 1．3．4 知识发现过程研究所面临的挑战 | 第30-31页 |
| §1．4 本论文研究的主要内容和意义 | 第31-35页 |
| 第二章 分类算法及评价方法 | 第35-56页 |
| §2．1 分类的定义 | 第35-36页 |
| §2．2 决策树 | 第36-45页 |
| 2．2．1 决策树构造算法 | 第36-38页 |
| 2．2．1．1 决策树的基本概念 | 第36-37页 |
| 2．2．1．2 决策树的构造算法 | 第37-38页 |
| 2．2．2 分枝准则 | 第38-40页 |
| 2．2．3 剪枝策略 | 第40-43页 |
| 2．2．4 缺值问题 | 第43-44页 |
| 2．2．5 决策树的特性 | 第44-45页 |
| §2．3 判别函数 | 第45-49页 |
| 2．3．1 简单贝叶斯分类器 | 第46-47页 |
| 2．3．2 线性判别分类器 | 第47-49页 |
| §2．4 近邻法 | 第49-50页 |
| §2．5 分类方法的评价方法 | 第50-54页 |
| 2．5．1 分类数据挖掘算法的评价指标 | 第51-53页 |
| 2．5．1．1 错误率 | 第51-53页 |
| 2．5．1．2 其它指标 | 第53页 |
| 2．5．2 几种基本分类算法的精度比较 | 第53-54页 |
| §2．6 本章小结 | 第54-56页 |
| 第三章 数据预处理——属性选择 | 第56-75页 |
| §3．1 引言 | 第56-60页 |
| 3．1．1 属性选择的定义 | 第58-59页 |
| 3．1．2 属性的相关性 | 第59-60页 |
| §3．2 属性选择方法 | 第60-66页 |
| 3．2．1 属性选择的一般程序 | 第60-62页 |
| 3．2．2 过滤方法 | 第62-64页 |
| 3．2．3 打包方法 | 第64页 |
| 3．2．4 两者结合的属性选择方法 | 第64-66页 |
| §3．3 MBFS算法 | 第66-71页 |
| 3．3．1 算法的理论基础 | 第66-69页 |
| 3．3．1．1 交叉熵的定义 | 第66-67页 |
| 3．3．1．2 Markov Blanket准则 | 第67-69页 |
| 3．3．2 MBFS算法 | 第69-71页 |
| §3．4 实验验证与结果 | 第71-73页 |
| §3．5 本章小结 | 第73-75页 |
| 第四章 数据抽取——SQL数据抽取器 | 第75-92页 |
| §4．1 引言 | 第75-76页 |
| §4．2 数据挖掘算法与数据库管理系统接口设计 | 第76-79页 |
| §4．3 数据抽取器的设计 | 第79-82页 |
| §4．4 SQL-C4．5决策树数据挖掘算法 | 第82-88页 |
| 4．4．1 C4．5决策树算法 | 第83页 |
| 4．4．2 choosebest（）函数 | 第83-85页 |
| 4．4．3 stopping criterion（）函数 | 第85-86页 |
| 4．4．4 postprune（）函数 | 第86页 |
| 4．4．5 SQL_C4．5决策树算法 | 第86-88页 |
| §4．5 SQL-简单贝叶斯抽取器 | 第88-90页 |
| §4．6 通用的基于抽取器的决策树数据挖掘算法 | 第90页 |
| §4．7 本章小结 | 第90-92页 |
| 第五章 数据挖掘——多变量决策树 | 第92-107页 |
| §5．1 多变量决策树的生成方法 | 第92-97页 |
| 5．1．1 多变量决策树 | 第92-93页 |
| 5．1．2 局部最优方法 | 第93-95页 |
| 5．1．3 构造属性法 | 第95-96页 |
| 5．1．4 斜树算法 | 第96-97页 |
| §5．2 LICT算法 | 第97-102页 |
| §5．3 实验结果和分析 | 第102-105页 |
| 5．3．1 实验方法和结果分析 | 第102-104页 |
| 5．3．2 错误率的Bias-Variance分析 | 第104-105页 |
| 5．3．3 学习时间比较 | 第105页 |
| §5．4 本章小结 | 第105-107页 |
| 第六章 数据挖掘——组合近邻分类器 | 第107-124页 |
| §6．1 组合模型 | 第107-111页 |
| 6．1．1 组合分类器方法 | 第107-108页 |
| 6．1．2 Bagging法 | 第108-109页 |
| 6．1．3 Boosting方法 | 第109-111页 |
| 6．1．4 错误校正输出代码 | 第111页 |
| §6．2 混合系统 | 第111-113页 |
| §6．3 近邻分类器 | 第113-114页 |
| §6．4 组合近邻分类算法MNN | 第114-118页 |
| 6．4．1 MNN算法 | 第115-117页 |
| 6．4．2 参数的选择 | 第117-118页 |
| §6．5 实验方法和结果分析 | 第118-123页 |
| 6．5．1 实验方法 | 第118页 |
| 6．5．2 精度 | 第118-119页 |
| 6．5．3 计算复杂度 | 第119-120页 |
| 6．5．4 不相关属性的健壮性 | 第120-121页 |
| 6．5．5 错误率的Bias-Variance分析 | 第121-123页 |
| §6．6 本章小结 | 第123-124页 |
| 第七章 知识发现过程应用——一个原型系统设计 | 第124-134页 |
| §7．1 KDD原型系统设计 | 第124-127页 |
| 7．1．1 MKDS系统配置 | 第124-125页 |
| 7．1．2 客户端交互控制系统 | 第125-126页 |
| 7．1．3 广义模型服务器 | 第126页 |
| 7．1．4 客户服务器结构 | 第126-127页 |
| §7．2 MKDS系统知识发现过程 | 第127-129页 |
| §7．3 运行过程与结果分析 | 第129-133页 |
| §7．4 本章小结 | 第133-134页 |
| 第八章 结论与展望 | 第134-138页 |
| §8．1 研究结论 | 第134-135页 |
| §8．2 研究展望 | 第135-138页 |
| 致谢 | 第138-139页 |
| 作者在攻读博士学位期间发表的论文 | 第139-140页 |
| 参考文献 | 第140-150页 |
| 附录A 实验数据 | 第150-151页 |
| 附录B Markov Blanket性质证明 | 第151页 |
