面向朴素贝叶斯算法的离散化方法研究
| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-11页 |
| 1 引言 | 第11-15页 |
| ·课题背景 | 第11-12页 |
| ·本文所完成的工作 | 第12-13页 |
| ·论文的组织安排 | 第13-15页 |
| 2 面向分类学习的离散化方法综述 | 第15-37页 |
| ·数据 | 第15-16页 |
| ·定性与定量数据 | 第15-16页 |
| ·度量标度级别 | 第16页 |
| ·数据挖掘 | 第16-20页 |
| ·数据挖掘的概念 | 第16-17页 |
| ·数据挖掘的功能与方法 | 第17-20页 |
| ·数据挖掘中数据的预处理 | 第20页 |
| ·分类 | 第20-29页 |
| ·分类概述 | 第21-22页 |
| ·分类误差 | 第22-24页 |
| ·朴素贝叶斯分类方法概述 | 第24-25页 |
| ·朴素贝叶斯中的属性处理 | 第25-29页 |
| ·离散化 | 第29-34页 |
| ·离散化概念 | 第29-30页 |
| ·离散化的重要性 | 第30页 |
| ·离散化评价标准 | 第30-31页 |
| ·离散化和朴素贝叶斯 | 第31-33页 |
| ·离散化方法分类 | 第33-34页 |
| ·本章小结 | 第34-37页 |
| 3 Weka系统中的离散化 | 第37-49页 |
| ·Weka概述 | 第37-39页 |
| ·Weka系统结构 | 第39-44页 |
| ·Weka的数据格式 | 第39-40页 |
| ·Weka结构分析 | 第40-41页 |
| ·Weka系统设计 | 第41-44页 |
| ·Weka中的离散化 | 第44-48页 |
| ·Filters包分析 | 第44-46页 |
| ·Weka中离散化的实现 | 第46-48页 |
| ·本章小结 | 第48-49页 |
| 4 一种基于MDL的离散化算法 | 第49-63页 |
| ·信息论 | 第49-51页 |
| ·MDL准则 | 第51-54页 |
| ·MDL概述 | 第51-52页 |
| ·数据压缩 | 第52-53页 |
| ·编码 | 第53-54页 |
| ·熵最小离散化方法 | 第54-57页 |
| ·相关概念 | 第54-55页 |
| ·算法描述 | 第55-56页 |
| ·Fayyad的MDL准则 | 第56-57页 |
| ·EMD方法评价 | 第57页 |
| ·一种基于MDL准则的离散化方法 | 第57-62页 |
| ·算法描述 | 第58-59页 |
| ·MDL准则 | 第59-62页 |
| ·本章小结 | 第62-63页 |
| 5 一种比例熵最小离散化算法 | 第63-69页 |
| ·最简单的离散化方法 | 第63-64页 |
| ·比例离散化方法 | 第64-65页 |
| ·比例熵最小离散化方法 | 第65-68页 |
| ·算法原理 | 第66-67页 |
| ·算法描述 | 第67-68页 |
| ·本章小结 | 第68-69页 |
| 6 实验及结果 | 第69-81页 |
| ·实验方法 | 第69页 |
| ·数据集描述 | 第69-70页 |
| ·实验结果及分析 | 第70-80页 |
| ·本章小结 | 第80-81页 |
| 7 结论 | 第81-83页 |
| ·研究工作总结 | 第81-82页 |
| ·进一步研究的考虑 | 第82-83页 |
| 参考文献 | 第83-89页 |
| 学位论文数据集 | 第89页 |
