| 摘要 | 第1-6页 |
| Abstract | 第6-7页 |
| 致谢 | 第7-12页 |
| 第一章 绪论 | 第12-21页 |
| ·数据挖掘技术概述 | 第12-19页 |
| ·数据挖掘产生的背景 | 第12-13页 |
| ·数据挖掘的基本概念 | 第13-14页 |
| ·数据挖掘的过程 | 第14-15页 |
| ·数据挖掘的种类 | 第15-17页 |
| ·数据挖掘的应用、研究现状和发展趋势 | 第17-18页 |
| ·数据挖掘在应用中应注意的问题 | 第18-19页 |
| ·课题研究的主要内容及章节安排 | 第19-21页 |
| 第二章 数据挖掘中的分类技术 | 第21-27页 |
| ·数据分类的概念 | 第21页 |
| ·数据分类的过程 | 第21-22页 |
| ·几种常用的分类方法 | 第22-25页 |
| ·贝叶斯方法 | 第22-23页 |
| ·决策树方法 | 第23页 |
| ·人工神经网络方法 | 第23-24页 |
| ·距离函数法和最近邻判别法 | 第24-25页 |
| ·分类方法的评估标准 | 第25页 |
| ·影响一个分类器错误率的因素 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第三章 贝叶斯理论与贝叶斯分类模型 | 第27-34页 |
| ·贝叶斯定理 | 第27-28页 |
| ·贝叶斯分类 | 第28-29页 |
| ·朴素贝叶斯分类器 | 第29-31页 |
| ·朴素贝叶斯分类器的工作过程 | 第29-30页 |
| ·朴素贝叶斯分类器分析 | 第30-31页 |
| ·朴素贝叶斯分类器的提升 | 第31页 |
| ·半朴素贝叶斯分类模型 | 第31-32页 |
| ·特征加权的新的朴素贝叶斯分类 | 第32页 |
| ·增量的贝叶斯分类 | 第32-33页 |
| ·本章小结 | 第33-34页 |
| 第四章 基于改进的K-均值算法(IKM)的朴素贝叶斯分类器 | 第34-46页 |
| ·朴素贝叶斯分类存在的问题 | 第34页 |
| ·缺失数据的概念及处理方法 | 第34-37页 |
| ·造成数据缺失的原因 | 第34-35页 |
| ·缺失数据的分类 | 第35页 |
| ·缺失数据的的处理方法 | 第35-37页 |
| ·基于IKM的朴素贝叶斯分类模型IKMNBC | 第37-42页 |
| ·K-均值算法 | 第37页 |
| ·改进的K-均值算法(IKM) | 第37-40页 |
| ·基于IKM算法的朴素贝叶斯分类器IKMNBC | 第40页 |
| ·IKMNBC的算法描述 | 第40-42页 |
| ·实验结果及分析 | 第42-45页 |
| ·实验数据 | 第42-45页 |
| ·实验平台及实验结果 | 第45页 |
| ·本章小结 | 第45-46页 |
| 第五章 IKMNBC技术在高职院校教学评价中的应用研究 | 第46-55页 |
| ·教学质量评价模型构建 | 第46-50页 |
| ·收集数据 | 第46-47页 |
| ·预处理数据 | 第47-48页 |
| ·挖掘数据库加载 | 第48-49页 |
| ·建立教学质量评价模型 | 第49-50页 |
| ·教学质量评价模型设计与实现 | 第50-54页 |
| ·系统总体框架 | 第50页 |
| ·主要模块功能介绍 | 第50-52页 |
| ·教学质量评价模型实现 | 第52-54页 |
| ·本章小结 | 第54-55页 |
| 第六章 总结与展望 | 第55-56页 |
| ·论文总结 | 第55页 |
| ·工作展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 附录 攻读硕士学位期间发表的论文 | 第60页 |