基于统计学习理论的分类方法研究
| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1章 绪论 | 第11-19页 |
| ·研究目的及意义 | 第11-12页 |
| ·国内外研究现状 | 第12-17页 |
| ·朴素贝叶斯分类算法 | 第13-14页 |
| ·粗糙集属性约简算法 | 第14-17页 |
| ·论文主要研究内容 | 第17页 |
| ·论文的组织结构 | 第17-19页 |
| 第2章 数据分类方法概述 | 第19-41页 |
| ·数据挖掘 | 第19-25页 |
| ·数据挖掘的发展 | 第19-22页 |
| ·数据挖掘的概念 | 第22-24页 |
| ·数据挖掘的分类 | 第24-25页 |
| ·统计学习理论 | 第25-32页 |
| ·机器学习 | 第25-27页 |
| ·函数集的学习性能与VC 维 | 第27-28页 |
| ·推广性的界 | 第28-29页 |
| ·支持向量机 | 第29-31页 |
| ·基于邻域的空间划分方法 | 第31-32页 |
| ·数据分类方法 | 第32-40页 |
| ·基于决策树的分类 | 第33-36页 |
| ·基于神经网络的分类 | 第36-37页 |
| ·基于关联规则分析的分类 | 第37-39页 |
| ·贝叶斯分类 | 第39页 |
| ·粗糙集分类 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 第3章 基于空间特征向量的增量贝叶斯算法 | 第41-61页 |
| ·问题的提出 | 第41-42页 |
| ·相关研究工作 | 第42-52页 |
| ·贝叶斯算法 | 第42-44页 |
| ·增量分类 | 第44-46页 |
| ·增量贝叶斯算法 | 第46-52页 |
| ·基于空间特征向量的增量贝叶斯算法 | 第52-56页 |
| ·实现思路 | 第52页 |
| ·基于空间特征向量的增量贝叶斯算法 | 第52-53页 |
| ·算法分析 | 第53-56页 |
| ·实验及结果分析 | 第56-60页 |
| ·本章小结 | 第60-61页 |
| 第4章 基于浓缩布尔矩阵的属性约简算法 | 第61-86页 |
| ·问题的提出 | 第61-62页 |
| ·相关研究工作 | 第62-71页 |
| ·粗糙集理论 | 第62-65页 |
| ·属性约简 | 第65-70页 |
| ·差别矩阵 | 第70-71页 |
| ·基于浓缩布尔矩阵的属性约简算法 | 第71-82页 |
| ·算法思想 | 第71-72页 |
| ·基于浓缩布尔矩阵的属性约简算法 | 第72-78页 |
| ·算法分析 | 第78-82页 |
| ·实验及结果分析 | 第82-84页 |
| ·属性约简的执行效率比较 | 第82-83页 |
| ·属性约简的约简率比较 | 第83-84页 |
| ·本章小结 | 第84-86页 |
| 第5章 基于浓缩布尔矩阵的增量式属性约简算法 | 第86-99页 |
| ·问题的提出 | 第86-87页 |
| ·相关研究工作 | 第87-92页 |
| ·增量式属性约简原理 | 第87-89页 |
| ·典型增量式属性约简算法分析 | 第89-92页 |
| ·改进增量式属性约简算法 | 第92-94页 |
| ·实例分析 | 第94-98页 |
| ·增量式属性约简实例 | 第94-96页 |
| ·增量与非增量属性约简执行时间比较 | 第96-97页 |
| ·几种增量属性约简性能比较 | 第97-98页 |
| ·本章小结 | 第98-99页 |
| 结论 | 第99-101页 |
| 参考文献 | 第101-110页 |
| 攻读博士学位期间发表的论文和取得的科研成果 | 第110-111页 |
| 攻读博士学位期间发表及录用的论文 | 第110页 |
| 攻读博士学位期间参加的科研项目 | 第110-111页 |
| 致谢 | 第111-112页 |
| 个人简历 | 第112页 |
