基于贝叶斯的神经元分类
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-15页 |
| ·论文研究背景及意义 | 第7-8页 |
| ·数据挖掘的概念和步骤 | 第8-10页 |
| ·数据挖掘的功能 | 第10-11页 |
| ·数据挖掘的对象 | 第11页 |
| ·国内外研究状况及发展态势 | 第11-13页 |
| ·本文的主要工作 | 第13-14页 |
| ·论文主要内容和结构 | 第14-15页 |
| 第二章 神经元和朴素贝叶斯研究 | 第15-31页 |
| ·神经元简介 | 第15-17页 |
| ·朴素贝叶斯分类器原理 | 第17-23页 |
| ·条件概率 | 第17页 |
| ·乘法定理 | 第17-18页 |
| ·全概率公式和贝叶斯公式 | 第18页 |
| ·最大后验假设和最大释然假设 | 第18-19页 |
| ·朴素贝叶斯分类模型 | 第19-21页 |
| ·朴素贝叶斯分类器的学习和分类 | 第21-22页 |
| ·属性离散化 | 第22-23页 |
| ·其他的基于贝叶斯的分类模型 | 第23-26页 |
| ·TAN 网络 | 第23-24页 |
| ·增强贝叶斯网的朴素贝叶斯分类器 | 第24-25页 |
| ·通用贝叶斯网分类器 | 第25-26页 |
| ·贝叶斯多网分类器 | 第26页 |
| ·主成分分析法 | 第26-27页 |
| ·相关性分析 | 第27-28页 |
| ·偏最小二乘法 | 第28-31页 |
| 第三章 改进的朴素贝叶斯分类方法 | 第31-37页 |
| ·属性选择算法 | 第31-34页 |
| ·基于偏最小二乘法（pls）的属性选择算法 | 第31-32页 |
| ·基于属性取值区间关系的属性提取方法 | 第32-34页 |
| ·基于分类概率的加权朴素贝叶斯 | 第34-37页 |
| ·加权朴素贝叶斯分类方法 | 第34-35页 |
| ·提取权重 | 第35页 |
| ·权重归一化 | 第35页 |
| ·算法实现步骤 | 第35-37页 |
| 第四章 基于改进的朴素贝叶斯对神经元的分类实验 | 第37-57页 |
| ·论文所用工具及软件介绍 | 第37-40页 |
| ·神经元数据提取 | 第40-42页 |
| ·属性选择算法实验 | 第42-49页 |
| ·基于偏最小二乘回归的属性提取 | 第42-45页 |
| ·基于属性取值区间关系的属性提取方法的实现 | 第45-49页 |
| ·改进的加权朴素贝叶斯分类方法 | 第49-57页 |
| ·实验步骤 | 第49页 |
| ·分类器的实现 | 第49-54页 |
| ·实验结果及对比 | 第54-57页 |
| 第五章 结论与展望 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 致谢 | 第62-63页 |
| 攻读硕士学位期间发表的学术论文 | 第63页 |
