基于粗糙集合和信息熵的分类模型研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-7页 |
| 致谢 | 第7-11页 |
| 第一章 绪论 | 第11-28页 |
| ·引言 | 第11-13页 |
| ·数据库中知识发现 | 第13-16页 |
| ·KDD的定义 | 第13-14页 |
| ·KDD中数据的特点 | 第14页 |
| ·KDD的处理过程模型 | 第14-16页 |
| ·数据挖掘 | 第16-26页 |
| ·数据挖掘的定义 | 第16-17页 |
| ·数据挖掘的对象 | 第17页 |
| ·数据挖掘发现的模式 | 第17-18页 |
| ·数据挖掘的方法 | 第18-21页 |
| ·数据挖掘软件的发展 | 第21-22页 |
| ·据据挖掘技术的应用 | 第22-24页 |
| ·数据挖掘面临的挑战 | 第24-26页 |
| ·本文的课题来源和内容组织 | 第26-28页 |
| ·本文课题来源 | 第26页 |
| ·本文的内容组织 | 第26-28页 |
| 第二章 分类介绍 | 第28-34页 |
| ·分类算法 | 第28-31页 |
| ·统计分析方法 | 第28-30页 |
| ·机器学习的方法 | 第30-31页 |
| ·神经网络方法 | 第31页 |
| ·分类器评价 | 第31-34页 |
| 第三章 粗糙集合和信息熵 | 第34-43页 |
| ·粗糙集合理论 | 第34-37页 |
| ·成员函数和集合似近 | 第34-36页 |
| ·可变精度粗糙集合模型 | 第36-37页 |
| ·容差粗糙集合 | 第37-40页 |
| ·相容关系 | 第37-38页 |
| ·容差近似空间定义 | 第38-39页 |
| ·容差成员函数与集合近似 | 第39-40页 |
| ·信息熵 | 第40-43页 |
| ·信息论介绍 | 第40-41页 |
| ·信息熵 | 第41-43页 |
| 第四章 RSE算法模型 | 第43-49页 |
| ·信息系统 | 第43页 |
| ·分类模型 | 第43-46页 |
| ·预测模型 | 第46-49页 |
| 第五章 DM原型系统-R-DM概述 | 第49-68页 |
| ·R-DM系统分析与设计 | 第49-56页 |
| ·R-DM系统的设计目标与要求 | 第49页 |
| ·R-DM系统的构成 | 第49-51页 |
| ·R-DM系统的基本数据类型 | 第51-56页 |
| ·R-DM系统的实现及使用 | 第56-60页 |
| ·R-DM系统的实现 | 第56页 |
| ·R-DM系统的使用 | 第56-60页 |
| ·RSE算法与ID3算法比较 | 第60-68页 |
| ·RSE算法和ID3算法性能分析 | 第60-61页 |
| ·所用数据 | 第61-63页 |
| ·RSE算法和ID3算法实验比较 | 第63-68页 |
| 第六章 结束语 | 第68-70页 |
| ·本文总结 | 第68-69页 |
| ·工作展望 | 第69-70页 |
| 参考文献 | 第70-75页 |
| 攻读硕士学位期间参加研究的课题和发表的论文 | 第75页 |
