基于显现模式的懒惰式贝叶斯分类方法
| 致谢 | 第1-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-10页 |
| 1 引言 | 第10-13页 |
| ·课题背景 | 第10-11页 |
| ·本文所完成的工作 | 第11-12页 |
| ·论文组织安排 | 第12-13页 |
| 2 分类及关联规则 | 第13-25页 |
| ·数据挖掘 | 第13-16页 |
| ·数据挖掘的概念 | 第13-14页 |
| ·数据挖掘的功能和方法 | 第14-16页 |
| ·分类及贝叶斯方法 | 第16-20页 |
| ·分类概述 | 第16-17页 |
| ·贝叶斯分类方法概述 | 第17-20页 |
| ·关联规则 | 第20-25页 |
| ·关联规则概述 | 第21-22页 |
| ·Apriori算法 | 第22-23页 |
| ·FP-Tree算法 | 第23-25页 |
| 3 显现模式及其应用 | 第25-41页 |
| ·显现模式的概念和定义 | 第25-27页 |
| ·常见特殊形式的EP | 第27页 |
| ·挖掘显现模式的基本方法 | 第27-38页 |
| ·发现EP的Apriori法 | 第27-28页 |
| ·基于边界表示的显现模式的挖掘 | 第28-32页 |
| ·树型法 | 第32-38页 |
| ·应用显现模式构造分类器 | 第38-41页 |
| ·仅使用EP构造分类器 | 第38-39页 |
| ·利用EP的特殊性质结合其他分类技术构造分类器 | 第39-41页 |
| 4 基于EP的分类算法实现及其改进 | 第41-53页 |
| ·基于显现模式的分类算法 | 第41-44页 |
| ·基于集成显现模式的分类器 | 第41-42页 |
| ·基于跳跃显现模式的分类器 | 第42-43页 |
| ·基于显现模式的决策分类 | 第43页 |
| ·基于显现模式的贝叶斯分类器 | 第43-44页 |
| ·显现模式与懒惰式分类方法 | 第44-47页 |
| ·懒惰式学习方法 | 第44-45页 |
| ·DeEPs中显现模式的选取及挖掘 | 第45-46页 |
| ·显现模式的应用 | 第46页 |
| ·DeEPs算法全过程 | 第46-47页 |
| ·显现模式与懒惰式贝叶斯分类方法 | 第47-53页 |
| ·选择eEP的优点 | 第47-49页 |
| ·eEP的挖掘 | 第49页 |
| ·使用eEP分类 | 第49-50页 |
| ·最小支持度和最小增长率阈值的确定 | 第50-51页 |
| ·eEP分类器的构造与使用 | 第51-53页 |
| 5 实验结果与分析 | 第53-57页 |
| ·实验环境 | 第53页 |
| ·数据预处理 | 第53-54页 |
| ·数据集描述 | 第54页 |
| ·实验结果及分析 | 第54-56页 |
| ·本章小结 | 第56-57页 |
| 6 结论 | 第57-59页 |
| ·研究工作总结 | 第57-58页 |
| ·进一步研究的方向 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 作者简历 | 第62-64页 |
| 学位论文数据集 | 第64页 |
