| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 论文研究内容 | 第13页 |
| 1.4 论文组织结构 | 第13-15页 |
| 第二章 相关理论与技术 | 第15-20页 |
| 2.1 数据挖掘的概念 | 第15-16页 |
| 2.2 常用的分类算法 | 第16-18页 |
| 2.2.1 基于贝叶斯的分类算法 | 第16页 |
| 2.2.2 基于决策树的分类算法 | 第16-17页 |
| 2.2.3 基于神经网络的分类算法 | 第17-18页 |
| 2.2.4 其它的分类算法 | 第18页 |
| 2.3 分类算法的评估方法 | 第18-19页 |
| 2.3.1 正确率定义 | 第19页 |
| 2.3.2 精确率定义 | 第19页 |
| 2.3.3 召回率定义 | 第19页 |
| 2.4 本章小结 | 第19-20页 |
| 第三章 基于K值的朴素贝叶斯分类模型 | 第20-37页 |
| 3.1 贝叶斯算法基本理论 | 第20-21页 |
| 3.1.1 贝叶斯算法基本原理 | 第20-21页 |
| 3.1.2 贝叶斯分类器 | 第21页 |
| 3.2 朴素贝叶斯分类器 | 第21-23页 |
| 3.2.1 朴素贝叶斯原理 | 第21-23页 |
| 3.2.2 朴素贝叶斯算法的优缺点 | 第23页 |
| 3.3 数据集缺失数据的处理方式 | 第23-27页 |
| 3.3.1 数据集数据缺失的原因 | 第23-24页 |
| 3.3.2 对于数据集属性值缺失的处理方法 | 第24-25页 |
| 3.3.3 快速聚类算法 | 第25-26页 |
| 3.3.4 基于快速聚类算法的朴素贝叶斯分类模型 | 第26-27页 |
| 3.4 基于K值的朴素贝叶斯分类模型 | 第27-28页 |
| 3.5 实验 | 第28-35页 |
| 3.5.1 基于快速聚类算法的朴素贝叶斯分类模型的实验数据与环境 | 第28-29页 |
| 3.5.2 基于快速聚类算法的朴素贝叶斯分类模型的实验结果 | 第29-31页 |
| 3.5.3 基于K值的朴素贝叶斯分类模型的实验数据与环境 | 第31-32页 |
| 3.5.4 基于K值的朴素贝叶斯分类模型的实验结果 | 第32-35页 |
| 3.6 本章小结 | 第35-37页 |
| 第四章 基于监督学习算法的朴素贝叶斯分类模型 | 第37-47页 |
| 4.1 监督学习算法简介 | 第37页 |
| 4.2 基于监督学习算法的朴素贝叶斯分类模型 | 第37-41页 |
| 4.2.1 算法的提出 | 第37-38页 |
| 4.2.2 监督学习算法的实现 | 第38-39页 |
| 4.2.3 基于监督学习算法的朴素贝叶斯分类模型 | 第39-41页 |
| 4.3 实验 | 第41-46页 |
| 4.3.1 实验数据 | 第41页 |
| 4.3.2 实验结果与分析 | 第41-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第五章 基于Android平台钓鱼网站的检测模型 | 第47-61页 |
| 5.1 问题的提出 | 第47-48页 |
| 5.2 系统的设计 | 第48-54页 |
| 5.2.1 Android平台简介 | 第48-50页 |
| 5.2.2 总体架构 | 第50-51页 |
| 5.2.3 模型的工作流程 | 第51-52页 |
| 5.2.4 各模块组成 | 第52-54页 |
| 5.3 系统的实现过程 | 第54-55页 |
| 5.3.1 数据的收集 | 第54页 |
| 5.3.2 特征向量的构造 | 第54-55页 |
| 5.4 实验结果与分析 | 第55-61页 |
| 第六章 总结与展望 | 第61-64页 |
| 6.1 本文总结 | 第61-63页 |
| 6.2 工作展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 图表目录 | 第68-70页 |
| List of Figures and Tables | 第70-72页 |
| 致谢 | 第72-73页 |
| 攻读学位期间发表的学术论文 | 第73页 |
