基于距离学习的集成KNN分类器的研究
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 研究背景 | 第8-16页 |
| ·数据挖掘综述 | 第8-14页 |
| ·数据挖掘的背景 | 第8-9页 |
| ·数据挖掘定义 | 第9-10页 |
| ·数据挖掘过程 | 第10-11页 |
| ·数据挖掘功能 | 第11-12页 |
| ·数据挖掘作用 | 第12-13页 |
| ·数据挖掘的发展 | 第13-14页 |
| ·本文研究内容 | 第14-15页 |
| ·论文安排 | 第15-16页 |
| 2 分类挖掘的研究 | 第16-35页 |
| ·分类问题定义 | 第16页 |
| ·贝叶斯分类 | 第16-21页 |
| ·贝叶斯定理 | 第17-18页 |
| ·朴素贝叶斯定理 | 第18-19页 |
| ·贝叶斯信念网络介绍 | 第19-21页 |
| ·决策树算法 | 第21-29页 |
| ·ID3决策树算法 | 第22-24页 |
| ·信息熵基础与信息增益 | 第24-26页 |
| ·C4.5决策树算法 | 第26-29页 |
| ·人工神经网络方法 | 第29-35页 |
| ·多层前馈神经网络 | 第29-30页 |
| ·定义网络拓扑 | 第30-31页 |
| ·后向传播 | 第31-35页 |
| 3 距离学习算法研究 | 第35-39页 |
| ·距离度量学习 | 第35页 |
| ·有监督距离学习 | 第35页 |
| ·无监督距离学习 | 第35页 |
| ·几种典型的有监督距离学习算法 | 第35-39页 |
| ·压缩类的距离学习方法(MLCC) | 第35-36页 |
| ·邻近成分分析(NCA) | 第36-37页 |
| ·基于大边际的邻近距离学习(LMNN) | 第37-39页 |
| 4 基于距离学习的集成KNN分类器 | 第39-49页 |
| ·集成学习算法 | 第39-42页 |
| ·提升算法 | 第39-41页 |
| ·装袋算法 | 第41-42页 |
| ·KNN分类算法 | 第42-44页 |
| ·KNN算法简介 | 第42页 |
| ·KNN的弊端 | 第42-43页 |
| ·属性加权对KNN算法的改进 | 第43-44页 |
| ·基于距离学习的集成KNN分类器 | 第44-49页 |
| ·训练数据集的属性过滤 | 第44-45页 |
| ·装袋法集成 | 第45-47页 |
| ·距离度量学习 | 第47-48页 |
| ·多数投票制合并分类结果 | 第48-49页 |
| 5 实验结果 | 第49-52页 |
| 结论 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 攻读硕士学位期间发表学术论文情况 | 第56-57页 |
| 致谢 | 第57-58页 |
