| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-12页 |
| 1.1 相关背景 | 第9页 |
| 1.2 国内外的研究现状 | 第9-11页 |
| 1.3 研究的目的和意义 | 第11-12页 |
| 第二章 相关分类方法及评价方法 | 第12-31页 |
| 2.1 加权马氏距离分类法 | 第12-14页 |
| 2.1.1 马氏距离分类法 | 第12-13页 |
| 2.1.2 加权马氏距离分类法 | 第13-14页 |
| 2.2 最优组合因子Fisher分类法 | 第14-17页 |
| 2.2.1 Fisher分类法 | 第14-16页 |
| 2.2.2 最优组合因子Fisher分类法 | 第16-17页 |
| 2.3 属性加权贝叶斯分类 | 第17-20页 |
| 2.3.1 贝叶斯分类 | 第17-18页 |
| 2.3.2 基于改进属性加权的贝叶斯分类模型 | 第18-20页 |
| 2.4 KNN算法在文本分类中的应用及改进 | 第20-23页 |
| 2.4.1 KNN算法在文本分类中的应用 | 第20-21页 |
| 2.4.2 基于LSA降维和样本密度的KNN文本分类 | 第21-23页 |
| 2.5 基于证据理论的KNN分类 | 第23-26页 |
| 2.5.1 Dempster合成规则 | 第23-24页 |
| 2.5.2 Denoeux证据理论KNN分类 | 第24页 |
| 2.5.3 证据理论KNN规则中确定相似度参数的新方法 | 第24-26页 |
| 2.6 子空间平均证据分类法 | 第26-29页 |
| 2.7 分类评估方法 | 第29-31页 |
| 2.7.1 交叉验证法 | 第29-30页 |
| 2.7.2 回代率检验法 | 第30-31页 |
| 第三章 基于信息增益的最优组合因子Fisher判别法 | 第31-37页 |
| 3.1 二分类的Fisher判别分析 | 第31页 |
| 3.2 基于信息增益的最优组合因子Fisher判别法 | 第31-33页 |
| 3.2.1 信息增益 | 第32页 |
| 3.2.2 基于信息增益的Fisher分类器生成方法 | 第32-33页 |
| 3.3 试验及分析 | 第33-35页 |
| 3.3.1 信息增益与随机生成分类器的比较 | 第33-35页 |
| 3.3.2 基于信息增益分类器与其他判别分类器的比较 | 第35页 |
| 3.4 本章小结 | 第35-37页 |
| 第四章 基于信息增益的证据理论的KNN分类法 | 第37-41页 |
| 4.1 基于信息增益的证据理论KNN算法 | 第37-38页 |
| 4.2 试验及分析 | 第38-40页 |
| 4.2.1 模拟数据集试验 | 第38-39页 |
| 4.2.2 UCI数据集试验 | 第39-40页 |
| 4.3 本章小结 | 第40-41页 |
| 第五章 信息增益在其他分类方法中的应用 | 第41-45页 |
| 5.1 基于信息增益与信息熵的TFIDF算法 | 第41-42页 |
| 5.1.1 TFIDF算法 | 第41页 |
| 5.1.2 基于信息增益与信息熵的TFIDF算法 | 第41-42页 |
| 5.2 基于信息增益的属性约简算法 | 第42-44页 |
| 5.2.1 算法理论基础 | 第43-44页 |
| 5.2.2 基于信息增益的属性约简算法描述 | 第44页 |
| 5.3 本章小结 | 第44-45页 |
| 第六章 总结与展望 | 第45-47页 |
| 6.1 本文的主要工作总结 | 第45页 |
| 6.2 研究工作展望 | 第45-47页 |
| 参考文献 | 第47-51页 |
| 致谢 | 第51-53页 |
| 硕士期间论文成果 | 第53页 |
