基于支持向量机的数据挖掘
| 第一章 引言 | 第1-11页 |
| ·问题的背景 | 第7页 |
| ·数据挖掘的理论与技术基础 | 第7-8页 |
| ·数据挖掘的研究内容 | 第8-9页 |
| ·笔者所做的工作 | 第9-11页 |
| 第二章 数据挖掘理论与技术 | 第11-21页 |
| ·数据挖掘分类 | 第11-13页 |
| ·数据挖掘的功能模型 | 第11-12页 |
| ·数据挖掘的对象 | 第12-13页 |
| ·数据挖掘处理过程模型 | 第13-16页 |
| ·数据挖掘技术 | 第16-19页 |
| ·关联规则 | 第16-17页 |
| ·聚类 | 第17页 |
| ·决策树分类 | 第17-18页 |
| ·神经网络 | 第18-19页 |
| ·数据挖掘与相关学科的区别与联系 | 第19-21页 |
| 第三章 统计学习理论与支持向量机 | 第21-35页 |
| ·机器学习的基本问题 | 第21-23页 |
| ·机器学习问题的表示 | 第21-22页 |
| ·经验风险最小化 | 第22-23页 |
| ·复杂性与推广能力 | 第23页 |
| ·统计学习理论 | 第23-26页 |
| ·学习一致性的条件 | 第24页 |
| ·推广性的界与VC维 | 第24-26页 |
| ·结构风险最小化 | 第26页 |
| ·支持向量机 | 第26-34页 |
| ·广义最优分类面 | 第26-28页 |
| ·支持向量机的数学推导 | 第28-29页 |
| ·非线性支持向量机与核函数 | 第29-30页 |
| ·支持向量机的快速求解 | 第30-32页 |
| ·用于回归问题的支持向量机 | 第32-33页 |
| ·支持向量机的应用 | 第33-34页 |
| ·基于支持向量机的数据挖掘 | 第34-35页 |
| 第四章 多分类支持向量机 | 第35-44页 |
| ·利用二值分类器解决多分类问题 | 第35-39页 |
| ·“一对多”型多分类支持向量机 | 第35-36页 |
| ·“一对一”型多分类支持向量机 | 第36-37页 |
| ·基于有向无环图的多分类支持向量机 | 第37-38页 |
| ·基于决策树的多分类支持向量机 | 第38-39页 |
| ·利用全部数据训练多分类支持向量机 | 第39页 |
| ·基于几何距离的多分类支持向量机 | 第39-44页 |
| ·二值分类的几种情形分析 | 第39-40页 |
| ·基于几何距离的多分类支持向量机 | 第40-41页 |
| ·数值实验 | 第41-44页 |
| 第五章 后验概率支持向量机 | 第44-49页 |
| ·二值支持向量机的后验概率 | 第44-46页 |
| ·多分类支持向量机的后验概率 | 第46-47页 |
| ·基于后验概率的“一对多”方法 | 第47-48页 |
| ·数值实验 | 第48-49页 |
| 第六章 结论与展望 | 第49-51页 |
| 参考文献 | 第51-55页 |
| 发表论文和科研情况说明 | 第55-56页 |
| 致 谢 | 第56页 |
