| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 本论文研究的目的和意义 | 第8页 |
| 1.2 数据挖掘与文本挖掘 | 第8-11页 |
| 1.2.1 数据挖掘的主要功能 | 第8-9页 |
| 1.2.2 文本挖掘的主要特点 | 第9-10页 |
| 1.2.3 web挖掘 | 第10页 |
| 1.2.4 web挖掘主要内容 | 第10-11页 |
| 1.3 英文文本挖掘与中文文本挖掘 | 第11-14页 |
| 1.3.1 概述 | 第11-12页 |
| 1.3.2 汉语文字特点 | 第12-13页 |
| 1.3.3 中文文本挖掘步骤 | 第13页 |
| 1.3.4 中文文本的预处理 | 第13-14页 |
| 第2章 算法学习 | 第14-18页 |
| 2.1 文本的特征表示 | 第14页 |
| 2.2 朴素贝叶斯 | 第14-16页 |
| 2.2.1 贝叶斯公式 | 第14-15页 |
| 2.2.2 朴素贝叶斯算法 | 第15页 |
| 2.2.3 朴素贝叶斯R包 | 第15-16页 |
| 2.2.4 朴素贝叶斯总结 | 第16页 |
| 2.3 支持向量机 | 第16-18页 |
| 2.3.1 支持向量机算法概述 | 第16-17页 |
| 2.3.2 支持向量机R包 | 第17-18页 |
| 第3章 算法拟合 | 第18-42页 |
| 3.1 朴素贝叶斯算法数据实验——基于贝叶斯算法的手机垃圾短信 | 第18-22页 |
| 3.1.1 数据读入 | 第19页 |
| 3.1.2 数据准备 | 第19页 |
| 3.1.3 数据处理分析 | 第19-20页 |
| 3.1.4 建立训练数据集合测试数据集 | 第20页 |
| 3.1.5 文本数据可视化 | 第20-21页 |
| 3.1.6 模型评估 | 第21-22页 |
| 3.1.7 总结 | 第22页 |
| 3.2 朴素贝叶斯算法和支持向量机比较实验 | 第22-29页 |
| 3.2.1 Iris鸢尾花数据集实验 | 第23-26页 |
| 3.2.2 印刷体字母图像识别数据集测试 | 第26-29页 |
| 3.2.3 案例总结： | 第29页 |
| 3.3 朴素贝叶斯算法数据实验——基于贝叶斯算法的亚马逊评价分类 | 第29-36页 |
| 3.3.1 评论全文朴素贝叶斯数据实验 | 第31-34页 |
| 3.3.2 评论总结朴素贝叶斯数据实验 | 第34-36页 |
| 3.3.3 案例总结： | 第36页 |
| 3.4 朴素贝叶斯算法与支持向量机中文文本分类数据实验 | 第36-42页 |
| 3.4.1 小样本中文文本分类 | 第36-40页 |
| 3.4.2 大样本中文文本分类 | 第40-42页 |
| 结论 | 第42-43页 |
| 展望 | 第43-45页 |
| 参考文献 | 第45-49页 |
| 附录 | 第49-50页 |
| 致谢 | 第50页 |
