基于Copula理论的两种分类算法研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 1 绪论 | 第8-12页 |
| ·研究背景和研究现状 | 第8-10页 |
| ·研究背景 | 第8页 |
| ·国内外研究现状 | 第8-10页 |
| ·研究内容和目的 | 第10-11页 |
| ·研究内容 | 第10-11页 |
| ·研究目的 | 第11页 |
| ·组织结构 | 第11-12页 |
| 2 贝叶斯理论和朴素贝叶斯分类模型 | 第12-16页 |
| ·贝叶斯理论相关基础知识 | 第12-13页 |
| ·概率知识 | 第12页 |
| ·最小错误率的贝叶斯决策准则 | 第12-13页 |
| ·极大后验假设和极大似然假设 | 第13页 |
| ·朴素贝叶斯分类模型 | 第13-15页 |
| ·朴素贝叶斯分类器的改进方法 | 第15页 |
| ·本章小结 | 第15-16页 |
| 3 基于COPULA 的贝叶斯分类器 | 第16-20页 |
| ·COPULA 理论介绍 | 第16-17页 |
| ·Copula 函数的定义及Sklar 定理 | 第16页 |
| ·Copula 函数的性质 | 第16-17页 |
| ·常用的Copula 函数 | 第17页 |
| ·基于COPULA 的贝叶斯分类模型及算法 | 第17-18页 |
| ·仿真实验 | 第18-19页 |
| ·本章小结 | 第19-20页 |
| 4 支持向量机理论 | 第20-30页 |
| ·机器学习的主要问题 | 第20-21页 |
| ·学习问题的一般表示 | 第20页 |
| ·经验风险最小化原则 | 第20-21页 |
| ·机器学习的推广能力 | 第21页 |
| ·统计学习理论 | 第21-22页 |
| ·VC 维理论 | 第21页 |
| ·推广性的界 | 第21-22页 |
| ·结构风险最小化原则 | 第22页 |
| ·支持向量机 | 第22-27页 |
| ·线性可分支持向量分类机 | 第22-24页 |
| ·线性支持向量分类机 | 第24-25页 |
| ·可分支持向量分类机 | 第25-26页 |
| ·支持向量分类机 | 第26-27页 |
| ·核函数 | 第27页 |
| ·支持向量机多分类模型 | 第27-29页 |
| ·一对多分类方法 | 第27-28页 |
| ·一对一分类方法 | 第28页 |
| ·二叉树分类方法 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 5 基于构造映射的支持向量分类机 | 第30-35页 |
| ·距离映射 | 第30页 |
| ·条件概率映射 | 第30-31页 |
| ·可分支持向量分类机 | 第31-33页 |
| ·实验及结果分析 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 6 结论与展望 | 第35-36页 |
| ·主要结论 | 第35页 |
| ·研究工作展望 | 第35-36页 |
| 致谢 | 第36-37页 |
| 参考文献 | 第37-40页 |
| 附录 | 第40页 |
| 作者在攻读硕士学位期间发表的论文目录 | 第40页 |
