各种分类方法在垃圾短信识别中的应用
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-12页 |
| 1.1 研究背景与意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 本文研究内容 | 第10-12页 |
| 第二章 文本数据的处理 | 第12-14页 |
| 2.1 分词 | 第12页 |
| 2.2 空间向量模型 | 第12-14页 |
| 第三章 分类算法的介绍 | 第14-29页 |
| 3.1 Logistic回归 | 第14-16页 |
| 3.1.1 Logistic函数 | 第14-15页 |
| 3.1.2 Logistic回归模型 | 第15页 |
| 3.1.3 Logistic回归模型的解释 | 第15页 |
| 3.1.4 Logistic回归建模过程 | 第15-16页 |
| 3.2 决策树 | 第16-19页 |
| 3.2.1 决策树定义 | 第16-17页 |
| 3.2.2 决策树生成过程 | 第17页 |
| 3.2.3 特征选择 | 第17-19页 |
| 3.3 k近邻 | 第19-21页 |
| 3.3.1 k近邻主要过程 | 第19-20页 |
| 3.3.2 距离度量 | 第20页 |
| 3.3.3 k值的选择 | 第20页 |
| 3.3.4 分类决策规则 | 第20-21页 |
| 3.4 朴素贝叶斯 | 第21-22页 |
| 3.4.1 朴素贝叶斯算法的原理 | 第21页 |
| 3.4.2 后验概率 | 第21-22页 |
| 3.5 支持向量机 | 第22-27页 |
| 3.5.1 线性可分支持向量机 | 第22-24页 |
| 3.5.2 线性支持向量机 | 第24-25页 |
| 3.5.3 非线性支持向量机 | 第25-27页 |
| 3.6 组合分类方法 | 第27-29页 |
| 3.6.1 装袋 | 第27页 |
| 3.6.2 提升 | 第27-28页 |
| 3.6.3 随机森林 | 第28-29页 |
| 第四章 各分类器在垃圾短信识别中的应用 | 第29-42页 |
| 4.1 数据来源及情况 | 第29页 |
| 4.2 数据处理 | 第29-31页 |
| 4.3 各分类器的分类应用 | 第31-40页 |
| 4.3.1 Logistic模型的应用 | 第31-32页 |
| 4.3.2 决策树的应用 | 第32-34页 |
| 4.3.3 k近邻的应用 | 第34-35页 |
| 4.3.4 朴素贝叶斯的应用 | 第35-36页 |
| 4.3.5 SVM的应用 | 第36-37页 |
| 4.3.6 AdaBoost的应用 | 第37-38页 |
| 4.3.7 随机森林的应用 | 第38-40页 |
| 4.4 各分类器分类效果比较 | 第40-42页 |
| 第五章 总结和展望 | 第42-43页 |
| 5.1 结论 | 第42页 |
| 5.2 展望 | 第42-43页 |
| 参考文献 | 第43-45页 |
| 附录 | 第45-48页 |
| 致谢 | 第48页 |
