基于显露模式的分类算法研究
| 致谢 | 第1-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-10页 |
| 1 引言 | 第10-14页 |
| ·数据挖掘的发展和研究现状 | 第10-12页 |
| ·本文主要内容和研究成果 | 第12-14页 |
| 2 分类模型综述 | 第14-23页 |
| ·分类概念 | 第14-15页 |
| ·分类的基本技术 | 第15-21页 |
| ·贝叶斯分类 | 第15-16页 |
| ·基于决策树的分类 | 第16-18页 |
| ·基于关联规则的分类 | 第18-19页 |
| ·神经网络分类 | 第19-20页 |
| ·K-最临近分类 | 第20页 |
| ·基于EPs的分类 | 第20页 |
| ·其他分类算法 | 第20-21页 |
| ·分类模型的评估 | 第21-23页 |
| ·分类算法的准确率的评估 | 第21-22页 |
| ·分类算法的其他评估标准 | 第22-23页 |
| 3 EPs和EPs的挖掘 | 第23-39页 |
| ·EPs的概念 | 第23-26页 |
| ·集族和区间的概念 | 第26-27页 |
| ·EPs挖掘任务的分解 | 第27-28页 |
| ·最大模式的挖掘 | 第28-34页 |
| ·FP-树的定义 | 第29-31页 |
| ·FP-树的构造 | 第31-33页 |
| ·由频繁模式生成最大模式方法 | 第33-34页 |
| ·边界运算算法 | 第34-36页 |
| ·BORDER-DIFF算法 | 第34-35页 |
| ·改进的BORDER-DIFF算法 | 第35-36页 |
| ·利用边界运算算法挖掘EPs | 第36-37页 |
| ·EPs的特性 | 第37-39页 |
| 4 基于EPs分类算法实现及其改进 | 第39-53页 |
| ·基于EP的分类算法 | 第39-43页 |
| ·基于集成显露模式分类器 | 第40-41页 |
| ·基于跳跃显露模式分类器 | 第41-42页 |
| ·基于显露模式的决策分类 | 第42-43页 |
| ·基于显露模式的贝叶斯分类器 | 第43页 |
| ·用集成EPs分类 | 第43-47页 |
| ·分割数据集来得到每个类的EPs | 第44页 |
| ·个体EP的区分能力 | 第44-45页 |
| ·通过集合分得到较好的精确度 | 第45页 |
| ·离散化分数用于决策 | 第45-46页 |
| ·全过程 | 第46-47页 |
| ·高效挖掘EPs | 第47页 |
| ·阈值选择和基础分 | 第47页 |
| ·CAEP算法的改进 | 第47-53页 |
| ·选择eEP的优点 | 第48-49页 |
| ·eEP的挖掘 | 第49页 |
| ·使用eEP分类 | 第49-51页 |
| ·最小支持度和最小增长率阈值的确定 | 第51-52页 |
| ·eEP分类器的构造与使用 | 第52-53页 |
| 5 实验结果与分析 | 第53-59页 |
| ·实验环境 | 第53页 |
| ·数据预处理 | 第53-54页 |
| ·实验数据集说明 | 第54-55页 |
| ·实验结果 | 第55-57页 |
| ·实验数据分析 | 第57-59页 |
| 6 结论 | 第59-61页 |
| 参考文献 | 第61-64页 |
| 作者简历 | 第64-66页 |
| 学位论文数据集 | 第66页 |
