基于PCA-NBC算法的股票分类研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第6-10页 |
| 1.1 引言 | 第6-7页 |
| 1.2 贝叶斯分类方法的应用现状 | 第7-8页 |
| 1.3 本文的组织结构 | 第8-10页 |
| 第2章 基本的理论知识 | 第10-20页 |
| 2.1 数据挖掘知识 | 第10-11页 |
| 2.1.1 数据挖掘概述 | 第10页 |
| 2.1.2 数据挖掘的过程 | 第10-11页 |
| 2.2 分类的知识 | 第11-12页 |
| 2.2.1 分类概述 | 第11页 |
| 2.2.2 分类的实现过程 | 第11-12页 |
| 2.3 贝叶斯分类的理论知识 | 第12-18页 |
| 2.3.1 贝叶斯学派的基本观点 | 第12-13页 |
| 2.3.2 概率的几个重要公式 | 第13-15页 |
| 2.3.3 朴素贝叶斯分类器的构造过程 | 第15-18页 |
| 2.4 支持向量机算法 | 第18-20页 |
| 第3章 数据预处理方法 | 第20-25页 |
| 3.1 主成分分析 | 第20-24页 |
| 3.1.1 适用性检验 | 第20-22页 |
| 3.1.2 主成分的求解 | 第22-24页 |
| 3.2 离差标准化 | 第24-25页 |
| 第4章 实例分析 | 第25-32页 |
| 4.1 数据的选取 | 第25-26页 |
| 4.2 数据预处理 | 第26-29页 |
| 4.2.1 离差标准化 | 第26页 |
| 4.2.2 利用主成分分析(PCA)降维 | 第26-29页 |
| 4.3 朴素贝叶斯分类 | 第29-32页 |
| 4.3.1 分类结果 | 第29-30页 |
| 4.3.2 实验结果对比研究 | 第30-32页 |
| 第5章 总结与展望 | 第32-33页 |
| 参考文献 | 第33-36页 |
| 致谢 | 第36页 |
