| 摘要 | 第1-4页 |
| ABSTRACT | 第4-6页 |
| 目录 | 第6-8页 |
| 第一章 绪论 | 第8-12页 |
| ·什么是数据挖掘 | 第8页 |
| ·数据挖掘的任务 | 第8-9页 |
| ·数据挖掘算法的研究及应用概况 | 第9-10页 |
| ·本文的内容与组织 | 第10-12页 |
| 第二章 分类 | 第12-23页 |
| ·分类概念 | 第12-13页 |
| ·基本的分类技术 | 第13-20页 |
| ·基于决策树的分类 | 第13-15页 |
| ·贝叶斯方法 | 第15-17页 |
| ·近邻学习方法(Nearest Neighbor) | 第17页 |
| ·神经网络分类 | 第17页 |
| ·粗糙集方法 | 第17-18页 |
| ·源于关联规则的分类 | 第18-19页 |
| ·基于EP的分类算法 | 第19-20页 |
| ·分类器的性能评估 | 第20-22页 |
| ·分类器的性能评估尺度 | 第20-21页 |
| ·准确度评估方法 | 第21-22页 |
| ·小结 | 第22-23页 |
| 第三章 EP和基于EP的分类算法 | 第23-33页 |
| ·显露模式(Emerging Pattern,EP) | 第23-28页 |
| ·EP的概念 | 第23-25页 |
| ·EP的挖掘 | 第25-27页 |
| ·EP的特性 | 第27-28页 |
| ·基于EP的分类算法 | 第28-32页 |
| ·CAEP:Classification by Aggregating Emerging Patterns | 第28-30页 |
| ·JEPC:JEP-Classifier | 第30-31页 |
| ·DeEPs:Decision-making by Emerging Patterns | 第31-32页 |
| ·BCEP:Bayesian Classification based on Emerging Patterns | 第32页 |
| ·小结 | 第32-33页 |
| 第四章 训练基于EP的分类器 | 第33-43页 |
| ·关于eEP | 第33-36页 |
| ·选择eEP的优点 | 第34-35页 |
| ·eEP的挖掘 | 第35-36页 |
| ·初始分类器的构造 | 第36-39页 |
| ·使用eEP分类 | 第36-37页 |
| ·最小支持度和最小增长率阈值的确定 | 第37-38页 |
| ·eEP分类器的构造与使用 | 第38-39页 |
| ·对初始分类器的训练 | 第39-41页 |
| ·权值调整的思想 | 第39-40页 |
| ·权值的自适应选取 | 第40-41页 |
| ·CEPAW的算法描述 | 第41页 |
| ·小结 | 第41-43页 |
| 第五章 实验结果及其分析 | 第43-46页 |
| ·CEPAW算法的实验结果 | 第43-44页 |
| ·CEPAW算法的实验结果分析 | 第44-46页 |
| 结论 | 第46-47页 |
| 参考文献： | 第47-50页 |
| 致谢 | 第50-51页 |
| 附录：攻读硕士学位期间发表学术论文 | 第51页 |
