| 摘要 | 第1-4页 |
| Abstract | 第4-5页 |
| 目录 | 第5-7页 |
| 第一章 引言 | 第7-12页 |
| ·研究背景和研究意义 | 第7-8页 |
| ·问题描述 | 第8-9页 |
| ·研究现状 | 第9-10页 |
| ·研究内容与论文结构 | 第10-11页 |
| ·本章小结 | 第11-12页 |
| 第二章 文本分类与特征选择技术 | 第12-22页 |
| ·文本特征的特点 | 第12-13页 |
| ·文本预处理 | 第13-14页 |
| ·中文分词 | 第13页 |
| ·停用词过滤 | 第13-14页 |
| ·文本的表示 | 第14-15页 |
| ·布尔模型 | 第14页 |
| ·向量空间模型 | 第14页 |
| ·概率模型 | 第14-15页 |
| ·特征选择 | 第15-17页 |
| ·分类方法 | 第17-19页 |
| ·决策树(Decision Tree) | 第17-18页 |
| ·朴素贝叶斯方法 | 第18页 |
| ·最大熵模型 | 第18页 |
| ·逻辑回归(Logistic Regression) | 第18-19页 |
| ·K最近邻算法 | 第19页 |
| ·性能评估方法 | 第19-20页 |
| ·本章小结 | 第20-22页 |
| 第三章 特征项选择研究 | 第22-28页 |
| ·TF-IDF算法思想 | 第23-24页 |
| ·TF-IDF算法存在的不足 | 第24页 |
| ·TF-IDF算法改进 | 第24-27页 |
| ·文本预处理 | 第26页 |
| ·特征属性的计算 | 第26-27页 |
| ·特征项的优化思想 | 第27页 |
| ·文章小结 | 第27-28页 |
| 第四章 基于logistic回归的决策树分类算法研究 | 第28-37页 |
| ·决策树算法介绍(DT) | 第28-32页 |
| ·信息熵 | 第29-30页 |
| ·信息增益 | 第30页 |
| ·信息增益率 | 第30-32页 |
| ·逻辑回归算法分析(LR) | 第32-34页 |
| ·显著性分析 | 第33页 |
| ·逐步回归 | 第33-34页 |
| ·基于logistic回归的决策树分类算法(LR-DT) | 第34-35页 |
| ·本章小结 | 第35-37页 |
| 第五章 算法实现与实验分析 | 第37-48页 |
| ·改进的TF-IDF算法特征项选取的实验分析 | 第37-41页 |
| ·实验设计方案 | 第37-38页 |
| ·实验结果对比和分析 | 第38-40页 |
| ·算法实现的主要方法介绍 | 第40-41页 |
| ·基于logistic回归的决策树分类算法实验分析 | 第41-47页 |
| ·实验设计方案 | 第41-42页 |
| ·实验和分析 | 第42-47页 |
| ·本章总结 | 第47-48页 |
| 第六章 总结和展望 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 致谢 | 第52-53页 |
| 个人简介 | 第53页 |
