| 第一章 绪论 | 第1-11页 |
| §1．1 研究背景 | 第7-8页 |
| §1．2 研究现状 | 第8-9页 |
| §1．2．1 数据挖掘研究现状和特点 | 第8页 |
| §1．2．2 支持向量机研究现状 | 第8-9页 |
| §1．3 研究意义 | 第9页 |
| §1．4 本文的研究内容及章节安排 | 第9-11页 |
| 第二章 数据挖掘概念与技术 | 第11-19页 |
| §2．1 数据挖掘定义 | 第11-12页 |
| §2．2 数据挖掘过程 | 第12-13页 |
| §2．2．1 确定业务对象 | 第12页 |
| §2．2．2 数据准备 | 第12-13页 |
| §2．2．3 数据挖掘 | 第13页 |
| §2．2．4 结果分析 | 第13页 |
| §2．2．5 知识的同化 | 第13页 |
| §2．3 数据挖掘的任务及功能 | 第13-14页 |
| §2．4 数据挖掘的问题与挑战 | 第14-15页 |
| §2．4．1 挖掘方法和用户交互的问题 | 第14-15页 |
| §2．4．2 性能问题，包括数据挖掘算法的有效性、可伸缩性和并行处理 | 第15页 |
| §2．4．3 关于数据库类型的多样性问题 | 第15页 |
| §2．5 分类和预测 | 第15-17页 |
| §2．5．1 分类问题描述 | 第15-16页 |
| §2．5．2 分类器评价尺度 | 第16页 |
| §2．5．3 分类器构造方法 | 第16页 |
| §2．5．4 预测 | 第16-17页 |
| §2．6 数据挖掘、机器学习与统计学 | 第17页 |
| §2．7 本章小结 | 第17-19页 |
| 第三章 统计学习理论 | 第19-25页 |
| §3．1 损失函数和期望风险 | 第19-20页 |
| §3．2 经验风险最小化归纳原则 | 第20页 |
| §3．3 VC维与一致性概念 | 第20-21页 |
| §3．4 ERM的一致收敛问题 | 第21-22页 |
| §3．5 结构风险最小化 | 第22-24页 |
| §3．6 本章小结 | 第24-25页 |
| 第四章 支持向量机 | 第25-34页 |
| §4．1 支持向量机算法的发展历史和现状 | 第25-26页 |
| §4．2 支持向量机的应用研究 | 第26页 |
| §4．3 直观相似程度与内积 | 第26-27页 |
| §4．4 支持向量机基本方法 | 第27-32页 |
| §4．4．1 线性情况 | 第27-30页 |
| §4．4．2 非线性情况 | 第30-31页 |
| §4．4．3 支持向量机的说明 | 第31-32页 |
| §4．5 本章小结 | 第32-34页 |
| 第五章 支持向量机训练算法 | 第34-49页 |
| §5．1 优化问题 | 第34-35页 |
| §5．2 二次规划 | 第35-37页 |
| §5．3 支持向量机训练算法 | 第37-48页 |
| §5．3．1 选块算法(chunking) | 第38-39页 |
| §5．3．2 分解算法(decomposing) | 第39-41页 |
| §5．3．3 序列最小最优化(sequential minimal optimization，SMO)算法 | 第41-45页 |
| §5．3．4 SMO算法的特点和优势 | 第45-46页 |
| §5．3．5 改进的SMO算法 | 第46-48页 |
| §5．4 本章小结 | 第48-49页 |
| 第六章 原型系统的设计与实现 | 第49-57页 |
| §6．1 系统体系结构 | 第49-53页 |
| §6．1．1 训练集的选取及属性选择 | 第49-50页 |
| §6．1．2 数据预处理 | 第50-51页 |
| §6．1．3 样本训练与预测 | 第51-53页 |
| §6．2 应用实例 | 第53-57页 |
| §6．2．1 数据获得 | 第53-54页 |
| §6．2．2 结果分析 | 第54-57页 |
| 第七章 全文总结与展望 | 第57-59页 |
| 参考文献 | 第59-62页 |