因子关联树数据挖掘模型的构建及其在交通事故分析中的应用

中文摘要	第1-5页
英文摘要	第5-7页
目录	第7-10页
第一章 绪论	第10-14页
·本文的研究背景	第10-11页
·本文的研究目的和意义	第11页
·研究现状	第11-14页
第二章 数据挖掘和关联规则挖掘	第14-29页
·数据挖掘概述	第14-16页
·数据挖掘的产生	第14页
·数据挖掘的含义	第14-15页
·数据挖掘的发展	第15页
·数据挖掘的功能	第15-16页
·关联规则挖掘	第16-25页
·关联规则的基本概念	第17-19页
·项目和项集	第17页
·事务	第17页
·项集的支持度	第17-18页
·最小支持度(支持度阈值)与频繁项集	第18页
·关联规则	第18页
·关联规则的支持度和置信度	第18-19页
·最小支持度、最小置信度和强关联规则	第19页
·关联规则的种类	第19-20页
·按变量的类别	第19页
·按数据的抽象层次	第19-20页
·按数据的维数	第20页
·经典的关联规则挖掘算法——Apriori算法	第20-21页
·算法的基本思想	第20-21页
·Apriori核心算法的描述	第21页
·优化关联规则算法简介	第21-25页
·杂凑算法	第21-22页
·划分法	第22页
·采样法	第22页
·动态项集计数	第22页
·基于栈变换的算法	第22-23页
·FP-growth算法	第23页
·基于约束的关联规则	第23页
·变支持度关联规则	第23-24页
·加权支持度关联规则挖掘	第24页
·多支持度关联规则挖掘	第24页
·多层次关联规则挖掘	第24-25页
·多维关联规则挖掘	第25页
·带结论域的关联规则挖掘	第25-29页
·带结论域的关联规则	第25-26页
·ORAE算法在带结论域关联规则挖掘中的应用	第26-29页
·关系矩阵的定义	第26-27页
·ORAR算法描述	第27-28页
·ORAR算法的适用性	第28-29页
第三章 信息熵和互信息	第29-34页
·信息熵	第29-32页
·熵的来源	第29页
·信息熵的概念	第29-30页
·变量的信息熵	第30页
·知识分类的信息熵	第30-31页
·知识和分类	第30-31页
·分类的信息熵	第31页
·条件熵	第31-32页
·互信息和相关性测度	第32-34页
·变量互信息和变量相关性	第32页
·属性集互信息和不相交属性集相关性	第32-34页
第四章 因子关联树数据挖掘模型	第34-42页
·模型的功能	第34页
·模型的构建思路	第34-36页
·关联模式的层次构架	第34-35页
·各个模块的算法和参数选择	第35页
·模型结构的选择	第35-36页
·因子关联树的构建	第36-42页
·树的基本概念	第36-37页
·"树"的定义	第36-37页
·树的表示	第37页
·树的基本术语	第37页
·关联树的基本概念	第37-38页
·因子关联树的描述	第38-39页
·各级结点权值计算	第39-40页
·条件属性集结点权值计算	第39-40页
·条件属性结点权值计算	第40页
·条件属性值结点权值计算	第40页
·因子关联树剪枝	第40-42页
第五章 因子关联树模型在交通事故分析中的应用	第42-52页
·交通事故数据库	第42-45页
·数据库的定义	第42-43页
·交通事故数据库	第43页
·交通事故信息系统	第43-44页
·交通事故信息的数字化	第44-45页
·交通事故因子关联树的构建	第45-52页
·目标变量	第46页
·四个条件属性子集及属性值	第46页
·各级结点权值计算	第46-52页
·属性值结点权值计算	第46-48页
·属性值结点剪枝	第48-49页
·属性结点权值计算	第49-50页
·属性集结点权值计算	第50-52页
第六章 结论与成果展望	第52-53页
·结论	第52页
·成果展望	第52-53页
参考文献	第53-55页
附录1	第55-64页
附录2	第64-68页
后记	第68页