基于互信息的朴素贝叶斯改进模型研究
| 提要 | 第1-8页 |
| 第1章 绪论 | 第8-19页 |
| ·引言 | 第8页 |
| ·数据挖掘技术 | 第8-14页 |
| ·数据挖掘技术的定义及研究现状 | 第8-11页 |
| ·数据挖掘技术与相关技术的比较 | 第11-12页 |
| ·数据挖掘技术的主要任务 | 第12-13页 |
| ·数据挖掘技术的发展趋势 | 第13-14页 |
| ·数据挖掘中的分类问题 | 第14-17页 |
| ·分类问题的定义 | 第14页 |
| ·几种主要的分类模型 | 第14-16页 |
| ·分类模型的评估 | 第16-17页 |
| ·本文的研究目的和内容组织结构 | 第17-19页 |
| 第2章 贝叶斯理论和贝叶斯分类器 | 第19-30页 |
| ·贝叶斯定理及相关的概率论概念 | 第19-22页 |
| ·全概公式和贝叶斯定理 | 第19-21页 |
| ·最大后验假设和极大似然估计 | 第21-22页 |
| ·贝叶斯分类器 | 第22-28页 |
| ·贝叶斯分类器的种类 | 第22-25页 |
| ·朴素贝叶斯分类器 | 第25-27页 |
| ·朴素贝叶斯分类器的优缺点及改进 | 第27-28页 |
| ·本章小结 | 第28-30页 |
| 第3章 基于互信息的朴素贝叶斯分类研究 | 第30-46页 |
| ·信息论 | 第30-34页 |
| ·信息论概述 | 第30-31页 |
| ·自信息量 | 第31-32页 |
| ·信息熵 | 第32-33页 |
| ·条件熵 | 第33页 |
| ·平均互信息量 | 第33-34页 |
| ·基于互信息的朴素贝叶斯分类器 | 第34-39页 |
| ·MI-NBC 分类器模型及原理 | 第34-37页 |
| ·MI-NBC 分类模型的步骤 | 第37-39页 |
| ·基于广义互信息的朴素贝叶斯分类器 | 第39-43页 |
| ·GMI-NBC 分类模型及原理 | 第39-41页 |
| ·GMI-NBC 分类器的步骤 | 第41-43页 |
| ·实验与分析 | 第43-45页 |
| ·本章小结 | 第45-46页 |
| 第4章 强弱阈值估计与数据离散化 | 第46-54页 |
| ·强弱阈值的自适应估计 | 第46-48页 |
| ·阈值估计问题 | 第46-48页 |
| ·自适应估计算法 | 第48页 |
| ·数据离散化 | 第48-52页 |
| ·数据离散化概述 | 第49-50页 |
| ·基于贝叶斯测度的有监督离散化方法 | 第50-52页 |
| ·改进后的GMI-NBC 模型 | 第52-53页 |
| ·本章小结 | 第53-54页 |
| 第5章 总结与展望 | 第54-56页 |
| ·本文总结 | 第54页 |
| ·工作展望 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 致谢 | 第59-60页 |
| 摘要 | 第60-62页 |
| ABSTRACT | 第62-64页 |
