| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-13页 |
| 1.1 研究背景 | 第9页 |
| 1.2 研究意义 | 第9-10页 |
| 1.3 国内外研究现状 | 第10-11页 |
| 1.4 主要研究内容与结构安排 | 第11-13页 |
| 2 流形学习方法 | 第13-17页 |
| 2.1 流形学习简介 | 第13-14页 |
| 2.2 多维尺度变换(MDS) | 第14页 |
| 2.3 等距映射(ISOMAP) | 第14-17页 |
| 3 贝叶斯分类模型 | 第17-23页 |
| 3.1 贝叶斯理论概况 | 第17页 |
| 3.2 贝叶斯相关理论 | 第17-19页 |
| 3.2.1 极大后验假设与极大似然假设 | 第18页 |
| 3.2.2 事件的独立性 | 第18-19页 |
| 3.3 贝叶斯分类算法 | 第19页 |
| 3.4 朴素贝叶斯分类模型 | 第19-20页 |
| 3.5 树增强朴素贝叶斯分类模型 | 第20-23页 |
| 4 基于ISOMAP算法的贝叶斯分类模型 | 第23-29页 |
| 4.1 流形学习算法 | 第23-24页 |
| 4.2 基于ISOMAP算法的朴素贝叶斯分类模型(ISOMAP-NB) | 第24-25页 |
| 4.3 基于ISOMAP算法的树增强朴素贝叶斯分类模型(ISOMAP-TAN) | 第25-29页 |
| 5 企业信用评估分析 | 第29-35页 |
| 5.1 数据的选取与指标的确定 | 第29-31页 |
| 5.1.1 指标的确定 | 第29-30页 |
| 5.1.2 数据的选取 | 第30-31页 |
| 5.2 数据的预处理 | 第31-33页 |
| 5.2.1 离差标准化处理 | 第31-32页 |
| 5.2.2 离散化 | 第32页 |
| 5.2.3 利用ISOMAP算法降维 | 第32-33页 |
| 5.3 实验结果与分析 | 第33-35页 |
| 6 结论和展望 | 第35-37页 |
| 攻读学位期间参加的科研项目及发表的学术论文 | 第37-39页 |
| 致谢 | 第39-41页 |
| 参考文献 | 第41-43页 |