| 致谢 | 第1-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 目录 | 第9-13页 |
| 图目录 | 第13-15页 |
| 表目录 | 第15-17页 |
| 1 绪论 | 第17-34页 |
| ·引言 | 第17页 |
| ·分类器研究现状 | 第17-28页 |
| ·现有分类器 | 第17-18页 |
| ·四种常用分类器 | 第18-26页 |
| ·决策树算法 | 第19-21页 |
| ·Naive Bayes分类器 | 第21-22页 |
| ·SVM | 第22-25页 |
| ·KNN算法 | 第25-26页 |
| ·VC维 | 第26-27页 |
| ·实验方法 | 第27-28页 |
| ·关于分类器的两种视角 | 第28-30页 |
| ·映射视角 | 第28-29页 |
| ·划分视角 | 第29-30页 |
| ·现有在划分视角下研究工作的不足 | 第30-31页 |
| ·本文研究内容 | 第31-32页 |
| ·本文章节安排 | 第32-34页 |
| 2 对以决策边界研究分类器的基本问题的研究 | 第34-53页 |
| ·决策边界的定义 | 第34-36页 |
| ·决策边界的获取 | 第36-48页 |
| ·形式化法 | 第36-40页 |
| ·采样法 | 第40-44页 |
| ·采样法获取决策边界的实验 | 第44-48页 |
| ·决策边界的可视化 | 第48-52页 |
| ·可视化方法 | 第48-49页 |
| ·决策边界可视化实验 | 第49-52页 |
| ·本章小结 | 第52-53页 |
| 3 对在划分数据空间视角下分类器的三要素的研究 | 第53-75页 |
| ·分类模型与决策边界的对应关系 | 第53-54页 |
| ·分类器三要素 | 第54-56页 |
| ·分类器三要素的定义 | 第54页 |
| ·分类器三要素需要考虑的因素 | 第54-56页 |
| ·分类器的划分目标要素 | 第56-63页 |
| ·划分目标的训练准确率因素 | 第56-57页 |
| ·划分目标的错分样本特征因素 | 第57-60页 |
| ·划分目标的决策边界微位置因素 | 第60-63页 |
| ·分类器的决策边界形式要素 | 第63-67页 |
| ·决策边界形式的划分能力因素 | 第63-64页 |
| ·决策边界形式提供的领域知识因素 | 第64-66页 |
| ·决策边界形式的可理解性因素 | 第66-67页 |
| ·分类器的划分方法要素 | 第67-73页 |
| ·划分方法的利用的信息因素 | 第67-70页 |
| ·划分方法的划分方式因素 | 第70-72页 |
| ·划分方法的分类模型复杂度因素 | 第72-73页 |
| ·本章小结 | 第73-75页 |
| 4 从划分目标改进分类器方法研究 | 第75-95页 |
| ·基于KN类型的错分样本特征 | 第75-83页 |
| ·基于KN类型的错分样本特征 | 第75-77页 |
| ·四种分类器在KN类型上的训练准确率 | 第77-83页 |
| ·组合KNN算法和其他三种分类器的KNC算法 | 第83-94页 |
| ·四种分类器在20个UCI数据集上的准确率分布 | 第83-88页 |
| ·KNC算法 | 第88-90页 |
| ·实验结果 | 第90-94页 |
| ·本章小结 | 第94-95页 |
| 5 从决策边界形式改进分类器方法研究 | 第95-110页 |
| ·对离散化Naive Bayes分类器成功原因的探讨 | 第95-103页 |
| ·离散化Naive Bayes分类器的泛化能力 | 第95-98页 |
| ·现有的解释离散化Naive Bayes分类器成功原因的工作 | 第98页 |
| ·从决策边界角度解释离散化Naive Bayes分类器成功的原因 | 第98-103页 |
| ·离散化算法提供了一种新的决策边界形式 | 第98-99页 |
| ·离散化算法提高了Naive Bayes分类器的VC维 | 第99-102页 |
| ·离散化算法在决策边界微位置上的不足 | 第102-103页 |
| ·两种改进Binning离散化算法决策边界微位置的算法 | 第103页 |
| ·训练离散化SVM和离散化KNN算法 | 第103-109页 |
| ·将离散化算法用于SVM和KNN算法 | 第104-106页 |
| ·对离散化SVM和离散化KNN算法的分析 | 第106-109页 |
| ·本章小结 | 第109-110页 |
| 6 从划分方法改进分类器方法研究 | 第110-142页 |
| ·在Naive Bayes分类器决策区域内训练分类器 | 第110-126页 |
| ·在划分数据空间视角下分析决策树算法和NBTree算法 | 第110-113页 |
| ·在划分数据空间视角下分析决策树算法 | 第110-112页 |
| ·在划分数据空间视角下分析NBTree算法 | 第112-113页 |
| ·SD算法和SD-soft算法 | 第113-119页 |
| ·SD算法 | 第113-115页 |
| ·SD-soft算法 | 第115-118页 |
| ·SD算法的时间复杂度 | 第118-119页 |
| ·实验结果 | 第119-122页 |
| ·SD算法的实验结果 | 第120-121页 |
| ·SD-soft算法的实验结果 | 第121-122页 |
| ·关于SD算法的讨论 | 第122-126页 |
| ·将SD算法应用于AODE、C4.5和SVM | 第122-123页 |
| ·对SD算法成功原因的探讨 | 第123-126页 |
| ·对局部分类器训练算法的分析 | 第126-141页 |
| ·现有的局部分类器训练算法 | 第126-127页 |
| ·局部分类器训练算法的分类 | 第127-129页 |
| ·局部分类器训练算法的实验对比 | 第129-131页 |
| ·对局部分类器训练算法成功原因的探讨 | 第131-141页 |
| ·本章小结 | 第141-142页 |
| 7 总结与展望 | 第142-144页 |
| ·本文总结 | 第142-143页 |
| ·未来工作展望 | 第143-144页 |
| 参考文献 | 第144-156页 |
| 作者简历 | 第156-157页 |
