数据挖掘方法在葡萄酒品质鉴定中的应用
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 目录 | 第5-7页 |
| 1 绪论 | 第7-12页 |
| 1.1 研究背景 | 第7-8页 |
| 1.2 研究目的及意义 | 第8页 |
| 1.3 国内外研究现状以及发展趋势 | 第8-11页 |
| 1.3.1 国外研究现状 | 第8-10页 |
| 1.3.2 国内研究现状 | 第10页 |
| 1.3.3 发展趋势 | 第10-11页 |
| 1.4 内容结构 | 第11-12页 |
| 2 数据挖掘算法理论 | 第12-27页 |
| 2.1 分类算法 | 第12-23页 |
| 2.1.1 Logistic 回归分析 | 第12-14页 |
| 2.1.2 贝叶斯分类器 | 第14-17页 |
| 2.1.3 神经网络分类 | 第17-20页 |
| 2.1.4 决策树分类算法 | 第20-23页 |
| 2.2 不平衡数据处理 | 第23-24页 |
| 2.3 提升分类器性能方法 | 第24-27页 |
| 2.3.1 Boosting | 第24-26页 |
| 2.3.2 代价敏感学习 | 第26-27页 |
| 3 葡萄酒品质分类的初步分析 | 第27-46页 |
| 3.1 数据来源 | 第27页 |
| 3.2 数据样本的变量说明 | 第27-28页 |
| 3.3 数据基本分析 | 第28-34页 |
| 3.3.1 样本数据的整体分析 | 第28-30页 |
| 3.3.2 各等级样本的数据分布以及相关分析 | 第30-34页 |
| 3.4 葡萄酒品质分类模型的构建及模型分析 | 第34-46页 |
| 3.4.1 Logistic 多项模型 | 第34-37页 |
| 3.4.2 Tan 贝叶斯分类器 | 第37-40页 |
| 3.4.3 神经网络分类器 | 第40-41页 |
| 3.4.4 决策树 C5.0 | 第41-43页 |
| 3.4.5 各分类器模型效果总结 | 第43-46页 |
| 4 分类器的优化与提升 | 第46-57页 |
| 4.1 不平衡数据处理及模型重建 | 第46-50页 |
| 4.2 决策树 C5.0 分类器的进一步优化 | 第50-55页 |
| 4.2.1 基于 Boosting 的决策树 | 第50-52页 |
| 4.2.2 结合代价敏感学习的 C5.0 决策树 | 第52-55页 |
| 4.3 模型优化小结 | 第55-57页 |
| 5 总结与展望 | 第57-60页 |
| 5.1 总结 | 第57-58页 |
| 5.2 展望 | 第58-60页 |
| 参考文献 | 第60-62页 |
| 致谢 | 第62页 |
