数据挖掘算法优化研究与应用
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-17页 |
| ·课题研究背景和意义 | 第8-9页 |
| ·数据挖掘理论基础 | 第9-16页 |
| ·数据挖掘的定义 | 第9-10页 |
| ·数据挖掘主要技术支撑 | 第10-11页 |
| ·数据挖掘步骤 | 第11-13页 |
| ·数据挖掘功能与分类 | 第13-15页 |
| ·数据挖掘国内外研究现状分析 | 第15-16页 |
| ·本文主要结构 | 第16页 |
| ·本章小结 | 第16-17页 |
| 第二章 数据挖掘常用分类算法介绍 | 第17-28页 |
| ·分类的基本概念和步骤 | 第17-19页 |
| ·分类的基本概念 | 第17页 |
| ·分类的基本步骤 | 第17-19页 |
| ·分类前的数据预处理 | 第19页 |
| ·数据挖掘常见几种分类算法 | 第19-27页 |
| ·决策树分类算法 | 第20-21页 |
| ·K最近邻分类算法 | 第21-23页 |
| ·神经网络与遗传算法 | 第23-26页 |
| ·经典分类算法的性能比较 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 第三章 决策树分类算法的深入探究 | 第28-43页 |
| ·决策树分类算法概述 | 第28-32页 |
| ·决策树构造算法 | 第28-31页 |
| ·决策树剪枝算法 | 第31-32页 |
| ·ID3算法 | 第32-38页 |
| ·信息论概述 | 第32-33页 |
| ·信息增益计算 | 第33-34页 |
| ·ID3算法 | 第34-35页 |
| ·ID3算法的应用实例 | 第35-37页 |
| ·ID3算法优缺点分析 | 第37-38页 |
| ·C4.5算法 | 第38-42页 |
| ·本章小结 | 第42-43页 |
| 第四章 一种改进增量式决策树分类算法 | 第43-56页 |
| ·朴素贝叶斯方法理论基础 | 第43-47页 |
| ·贝叶斯定理 | 第43-44页 |
| ·朴素贝叶斯分类理论 | 第44-45页 |
| ·贝叶斯理论应用举例 | 第45-47页 |
| ·增量学习概念 | 第47-48页 |
| ·增量式决策树算法实现 | 第48-52页 |
| ·贝叶斯分类器接口 | 第48-49页 |
| ·增量式决策树算法 | 第49-52页 |
| ·实验数据分析 | 第52-55页 |
| ·本章小结 | 第55-56页 |
| 第五章 结论与展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-63页 |
| 攻读硕士学位期间发表的论文 | 第63页 |
