基于粗糙集加权的朴素贝叶斯分类模型的应用研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 课题研究背景 | 第9页 |
| 1.2 研究现状 | 第9-11页 |
| 1.2.1 数据挖掘研究现状 | 第9-10页 |
| 1.2.2 粗糙集研究现状 | 第10页 |
| 1.2.3 结合医疗领域研究现状 | 第10-11页 |
| 1.3 论文工作 | 第11页 |
| 1.4 论文的组织结构 | 第11-13页 |
| 第2章 数据挖掘相关内容 | 第13-23页 |
| 2.1 数据挖掘概述 | 第13-15页 |
| 2.1.1 数据挖掘定义和任务 | 第13-14页 |
| 2.1.2 数据挖掘方法和过程 | 第14-15页 |
| 2.2 贝叶斯分类理论 | 第15-17页 |
| 2.2.1 概率论基础 | 第15-16页 |
| 2.2.2 贝叶斯分类原理 | 第16-17页 |
| 2.3 贝叶斯分类模型 | 第17-21页 |
| 2.3.1 朴素贝叶斯分类模型 | 第17-18页 |
| 2.3.2 半朴素贝叶斯分类模型 | 第18-20页 |
| 2.3.3 贝叶斯网络 | 第20-21页 |
| 2.4 本章小结 | 第21-23页 |
| 第3章 粗糙集理论与应用 | 第23-33页 |
| 3.1 粗糙集简介 | 第23页 |
| 3.2 近似空间 | 第23-26页 |
| 3.3 粗糙集的特征 | 第26-28页 |
| 3.4 约简与核 | 第28-29页 |
| 3.5 信息系统和决策表 | 第29-31页 |
| 3.5.1 信息系统概述 | 第29-30页 |
| 3.5.2 决策表概述 | 第30-31页 |
| 3.6 本章小结 | 第31-33页 |
| 第4章 基于粗糙集的加权算法模型 | 第33-53页 |
| 4.1 离散化数据和语境加权 | 第33-37页 |
| 4.2 属性约简及重要度加权 | 第37-45页 |
| 4.2.1 属性约简 | 第37-42页 |
| 4.2.2 属性重要度加权 | 第42-45页 |
| 4.3 加权算法模型 | 第45-48页 |
| 4.3.1 加权朴素贝叶斯模型 | 第45-47页 |
| 4.3.2 属性加权计算方法 | 第47-48页 |
| 4.3.3 数字化语境求值 | 第48页 |
| 4.4 模型计算流程 | 第48-50页 |
| 4.5 本章小结 | 第50-53页 |
| 第5章 实验验证与结果分析 | 第53-61页 |
| 5.1 实验环境 | 第53页 |
| 5.2 正确性验证 | 第53-56页 |
| 5.2.1 验证离散化数据和语境加权模块 | 第53页 |
| 5.2.2 验证属性约简及重要度加权模块 | 第53-56页 |
| 5.3 实验背景 | 第56页 |
| 5.4 实验结果分析 | 第56-59页 |
| 5.5 本章小结 | 第59-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-65页 |
| 攻读硕士学位期间所发表的学术论文 | 第65-67页 |
| 致谢 | 第67页 |
