朴素贝叶斯分类模型的改进研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| Contents | 第10-13页 |
| 第一章 绪论 | 第13-20页 |
| 1.1 课题研究背景和意义 | 第13-15页 |
| 1.1.1 数据挖掘基本理论 | 第13页 |
| 1.1.2 数据挖掘的主要任务 | 第13-14页 |
| 1.1.3 数据挖掘的现实意义 | 第14-15页 |
| 1.2 数据挖掘中的分类 | 第15-17页 |
| 1.2.1 分类模型的种类 | 第15-16页 |
| 1.2.2 分类模型的评价标准 | 第16-17页 |
| 1.3 国内外研究现状 | 第17-18页 |
| 1.4 研究内容 | 第18页 |
| 1.5 论文的组织结构 | 第18-20页 |
| 第二章 贝叶斯理论和朴素贝叶斯分类模型分析 | 第20-28页 |
| 2.1 贝叶斯理论概论 | 第20-22页 |
| 2.1.1 条件概率和乘法定理 | 第20-21页 |
| 2.1.2 全概率公式和贝叶斯定理 | 第21页 |
| 2.1.3 极大后验假设与极大似然假设 | 第21-22页 |
| 2.1.4 事件的独立性 | 第22页 |
| 2.2 朴素贝叶斯分类模型 | 第22-27页 |
| 2.2.1 朴素贝叶斯分类模型描述 | 第22-25页 |
| 2.2.2 朴素贝叶斯分类模型的实际应用 | 第25-26页 |
| 2.2.3 朴素贝叶斯分类模型的特点 | 第26-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第三章 朴素贝叶斯分类模型的改进方法研究 | 第28-43页 |
| 3.1 半朴素贝叶斯分类模型(SNBC) | 第28-31页 |
| 3.1.1 半朴素贝叶斯分类模型工作原理 | 第28-31页 |
| 3.1.2 半朴素贝叶斯分类模型优缺点 | 第31页 |
| 3.2 贝叶斯信念网络分类模型(BBN) | 第31-38页 |
| 3.2.1 贝叶斯信念网络工作原理 | 第31-33页 |
| 3.2.2 贝叶斯网络的应用 | 第33-36页 |
| 3.2.3 贝叶斯网络模型的优缺点 | 第36-38页 |
| 3.3 树增强朴素贝叶斯分类模型(TAN) | 第38-42页 |
| 3.3.1 树增强朴素贝叶斯分类模型工作原理 | 第38-41页 |
| 3.3.2 树增强朴素贝叶斯分类模型的优缺点 | 第41-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第四章 基于单属性有效度的朴素贝叶斯分类模型研究 | 第43-52页 |
| 4.1 单属性有效度的设定 | 第43-46页 |
| 4.1.1 单属性有效度的设定思想 | 第43-44页 |
| 4.1.2 单属性有效度的设定准则 | 第44-46页 |
| 4.2 基于单属性有效度的朴素贝叶斯分类模型 | 第46-48页 |
| 4.3 实验及结果分析 | 第48-51页 |
| 4.3.1 实验数据 | 第48页 |
| 4.3.2 实验平台 | 第48-49页 |
| 4.3.3 实验结果分析 | 第49-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第五章 结合双属性有效度的朴素贝叶斯分类模型研究 | 第52-62页 |
| 5.1 双属性有效度的设定 | 第52-55页 |
| 5.1.1 双属性有效度的工作原理 | 第52页 |
| 5.1.2 双属性有效度的设定方法 | 第52-55页 |
| 5.2 结合双属性有效度的朴素贝叶斯分类模型 | 第55-57页 |
| 5.3 实验及结果分析 | 第57-60页 |
| 5.3.1 实验数据 | 第57页 |
| 5.3.2 实验平台 | 第57页 |
| 5.3.3 实验结果分析 | 第57-60页 |
| 5.4 本章小结 | 第60-62页 |
| 第六章 总结及展望 | 第62-64页 |
| 6.1 总结 | 第62页 |
| 6.2 展望 | 第62-64页 |
| 参考文献 | 第64-69页 |
| 攻读硕士期间的研究成果 | 第69-70页 |
| 致谢 | 第70-71页 |
