随机分化结构学习—一种大幅提升贝叶斯分类器的通用方法
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 贝叶斯网络研究现状 | 第11-13页 |
| 1.2.2 集成学习国内外研究研究现状 | 第13页 |
| 1.3 本文的主要研究内容 | 第13-14页 |
| 1.4 论文结构论述 | 第14-16页 |
| 第2章 贝叶斯分类器及集成方法简介 | 第16-28页 |
| 2.1 基础知识概述 | 第16-19页 |
| 2.1.1 符号系统规定 | 第16页 |
| 2.1.2 概率论基础 | 第16-17页 |
| 2.1.3 贝叶斯网络理论 | 第17-18页 |
| 2.1.4 信息论基础 | 第18-19页 |
| 2.2 经典贝叶斯网络分类器 | 第19-23页 |
| 2.2.1 朴素贝叶斯分类器(NB) | 第20-21页 |
| 2.2.2 树增广型朴素贝叶斯(TAN) | 第21-22页 |
| 2.2.3 K阶依赖贝叶斯网络分类模型(KDB) | 第22-23页 |
| 2.3 常用集成方法介绍 | 第23-27页 |
| 2.3.1 Bagging方法 | 第24-25页 |
| 2.3.2 Boosting方法 | 第25-26页 |
| 2.3.3 平均结构方法 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 随机分化集成方法 | 第28-35页 |
| 3.1 算法由来 | 第28-30页 |
| 3.1.1 细胞分化 | 第28-29页 |
| 3.1.2 信息论原理应用于贝叶斯分类器的不足 | 第29-30页 |
| 3.2 算法思想 | 第30-33页 |
| 3.3 随机分化算法的应用 | 第33-34页 |
| 3.4 模型复杂度分析 | 第34页 |
| 3.5 本章小结 | 第34-35页 |
| 第4章 实验与分析 | 第35-42页 |
| 4.1 实验背景 | 第35-36页 |
| 4.2 实验方法与结果分析 | 第36-41页 |
| 4.2.1 随机分化前后分类效果对比 | 第37页 |
| 4.2.2 集成模型分类效果对比 | 第37-40页 |
| 4.2.3 集成模型分类效果对比 | 第40-41页 |
| 4.3 本章小结 | 第41-42页 |
| 第5章 总结与展望 | 第42-43页 |
| 参考文献 | 第43-48页 |
| 作者简介及科研成果 | 第48-49页 |
| 致谢 | 第49页 |
