| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 第一章 绪论 | 第7-16页 |
| ·研究背景与意义 | 第7页 |
| ·数据挖掘基本概念 | 第7-8页 |
| ·数据挖掘的过程 | 第8-9页 |
| ·数据挖掘的功能 | 第9-11页 |
| ·数据挖掘的研究现状和发展方向 | 第11-12页 |
| ·数据挖掘中的分类问题 | 第12-14页 |
| ·常见的分类方法举例 | 第12-14页 |
| ·分类器的评价标准 | 第14页 |
| ·论文的组织结构 | 第14-16页 |
| 第二章 贝叶斯理论与贝叶斯分类模型 | 第16-32页 |
| ·引言 | 第16页 |
| ·概率论基础 | 第16-18页 |
| ·条件概率和乘法定理 | 第16-17页 |
| ·全概率公式和贝叶斯公式 | 第17页 |
| ·极大后验假设与极大似然假设 | 第17-18页 |
| ·事件的独立性 | 第18页 |
| ·图论基础 | 第18-19页 |
| ·贝叶斯分类模型 | 第19-31页 |
| ·朴素贝叶斯分类模型 | 第19-22页 |
| ·贝叶斯网络分类模型 | 第22-23页 |
| ·半朴素贝叶斯分类模型 | 第23-25页 |
| ·树增强朴素贝叶斯分类模型(TAN) | 第25-30页 |
| ·NBTree (A Naive Bayes/Decision-Tree Hybrid) | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 第三章 粗糙集理论与应用 | 第32-37页 |
| ·粗糙集基本理论 | 第32-34页 |
| ·粗糙集研究现状和应用 | 第34-36页 |
| ·粗糙集研究现状 | 第34-35页 |
| ·粗糙集应用 | 第35-36页 |
| ·本章小结 | 第36-37页 |
| 第四章 基于粗糙集的特征加权算法 | 第37-53页 |
| ·特征加权和特征选取 | 第37页 |
| ·特征加权朴素贝叶斯分类步骤 | 第37-38页 |
| ·朴素贝叶斯分类器的特征加权 | 第38-39页 |
| ·数值实验结果及分析 | 第39-46页 |
| ·实验数据集 | 第39-40页 |
| ·实验平台 | 第40-41页 |
| ·实验结果分析 | 第41-46页 |
| ·对比实验 | 第46-52页 |
| ·对比实验Ⅰ | 第46-48页 |
| ·对比实验Ⅱ | 第48-49页 |
| ·实验结果及分析 | 第49-52页 |
| ·本章小结 | 第52-53页 |
| 第五章 FWNB 在个人信用评估中的应用 | 第53-58页 |
| ·个人信用评估指标集的选择原则 | 第53-54页 |
| ·信用数据描述 | 第54-55页 |
| ·实验结果及分析 | 第55-56页 |
| ·本章小结 | 第56-58页 |
| 第六章 总结与展望 | 第58-60页 |
| ·本文总结 | 第58页 |
| ·工作展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 附录 A 德国信用数据的特征属性变量值集 | 第64-67页 |
| 致谢 | 第67-68页 |
| 攻读硕士学位参加研究的课题和发表的论文 | 第68页 |