基于多属性关联改进文本分类算法
| 摘要 | 第1-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第9-19页 |
| ·选题背景及研究意义 | 第9-10页 |
| ·文本分类的研究现状 | 第10-16页 |
| ·文本表示 | 第10-12页 |
| ·空间降维 | 第12-15页 |
| ·属性间关联 | 第15-16页 |
| ·研究中存在的问题 | 第16页 |
| ·本文的主要研究工作 | 第16-17页 |
| ·本文的内容安排 | 第17-19页 |
| 第2章 文本分类算法基础理论 | 第19-28页 |
| ·文本分类算法 | 第19-24页 |
| ·决策树分类算法 | 第19-20页 |
| ·朴素贝叶斯分类算法 | 第20页 |
| ·k-近邻分类算法 | 第20-21页 |
| ·支持向量机 | 第21-23页 |
| ·人工神经网络算法 | 第23-24页 |
| ·文本数据集 | 第24-26页 |
| ·Reuters21578 | 第25页 |
| ·20_NewsGroup | 第25页 |
| ·WebKB | 第25页 |
| ·TDT | 第25-26页 |
| ·OHSUMED | 第26页 |
| ·分类器评估标准 | 第26-27页 |
| ·二分类器评价指标 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 第3章 基于属性加权的朴素贝叶斯集成分类器 | 第28-35页 |
| ·问题描述 | 第28-29页 |
| ·集成学习 | 第29页 |
| ·加权贝叶斯集成分类器 | 第29-35页 |
| ·属性加权 | 第29-30页 |
| ·WEBNC算法实现 | 第30页 |
| ·实验及结果分析 | 第30-34页 |
| ·本章小结 | 第34-35页 |
| 第4章 基于属性对的朴素贝叶斯分类器 | 第35-40页 |
| ·问题描述 | 第35页 |
| ·属性对的先验概率 | 第35-36页 |
| ·连续型数值离散化 | 第36页 |
| ·NBNA算法实现 | 第36-37页 |
| ·实验及结果分析 | 第37-38页 |
| ·本章小结 | 第38-40页 |
| 第5章 决策树构建方法:向前两步优于一步 | 第40-47页 |
| ·C4.5算法思想 | 第40-41页 |
| ·向前两步决策树构建算法(TSFDT) | 第41-43页 |
| ·属性对的信息增益率 | 第41-42页 |
| ·处理缺少属性值的训练样例 | 第42页 |
| ·避免过度拟合数据 | 第42页 |
| ·算法描述 | 第42-43页 |
| ·算法示例及复杂度分析 | 第43-45页 |
| ·实验结果分析 | 第45-46页 |
| ·UCI数据集上实验数据与分析 | 第45-46页 |
| ·文本数据集上的实验数据与分析 | 第46页 |
| ·本章小结 | 第46-47页 |
| 第6章 总结与展望 | 第47-49页 |
| ·本文主要贡献与创新 | 第47-48页 |
| ·下一步工作 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 攻读硕士学位期间发表的论文和参与的项目 | 第52-53页 |
| 致谢 | 第53页 |
