| 摘要 | 第1-6页 |
| Abstract | 第6-7页 |
| 致谢 | 第7-12页 |
| 第一章 概述 | 第12-25页 |
| ·数据挖掘概述 | 第12-18页 |
| ·数据挖掘概念 | 第12-13页 |
| ·数据挖掘的主要步骤 | 第13-14页 |
| ·数据挖掘中的分类问题 | 第14-18页 |
| ·数据分类的过程 | 第14-16页 |
| ·几种主要的分类方法 | 第16-18页 |
| ·分类方法的比较和评估 | 第18页 |
| ·贝叶斯网络与贝叶斯分类概述 | 第18-21页 |
| ·贝叶斯网络发展历史 | 第18-19页 |
| ·贝叶斯网络的优点 | 第19页 |
| ·贝叶斯网络的应用 | 第19-20页 |
| ·贝叶斯网络与贝叶斯分类 | 第20-21页 |
| ·研究的背景与意义 | 第21-24页 |
| ·本文研究的背景 | 第21-22页 |
| ·本文研究的意义 | 第22-24页 |
| ·论文主要内容及结构 | 第24-25页 |
| 第二章 贝叶斯网络的理论基础 | 第25-32页 |
| ·基本概念与贝叶斯定理 | 第25-27页 |
| ·贝叶斯网络理论基础 | 第27-30页 |
| ·贝叶斯网络的定义 | 第27-29页 |
| ·贝叶斯网络公式 | 第29页 |
| ·贝叶斯网络性质 | 第29-30页 |
| ·一个贝叶斯网络的模型实例 | 第30-31页 |
| ·小结 | 第31-32页 |
| 第三章 贝叶斯网络分类器 | 第32-37页 |
| ·贝叶斯分类器 | 第32-33页 |
| ·最大后验假设与最大似然假设 | 第32页 |
| ·贝叶斯分类器及其优化 | 第32-33页 |
| ·朴素贝叶斯分类器 | 第33-35页 |
| ·朴素的贝叶斯分类器模型 | 第33-34页 |
| ·朴素贝叶斯分类的提升 | 第34-35页 |
| ·贝叶斯网络分类器 | 第35-36页 |
| ·小结 | 第36-37页 |
| 第四章 贝叶斯网络分类器的构建 | 第37-48页 |
| ·贝叶斯网络的构建方法 | 第37-39页 |
| ·贝叶斯网络学习概述 | 第37-38页 |
| ·贝叶斯网络的构建方法 | 第38-39页 |
| ·贝叶斯网络学习的前提假设 | 第39-40页 |
| ·数据完整性假设 | 第39页 |
| ·无选择偏好假设 | 第39页 |
| ·变量离散化假设 | 第39-40页 |
| ·贝叶斯网络的参数学习 | 第40-41页 |
| ·贝叶斯网络的结构学习 | 第41-43页 |
| ·贝叶斯网络的结构学习概述 | 第41-42页 |
| ·数据完备时基于搜索和打分的方法 | 第42-43页 |
| ·评分测度 | 第42-43页 |
| ·模型选择 | 第43页 |
| ·基于 K2算法的贝叶斯网络分类器的结构学习 | 第43-47页 |
| ·K2算法 | 第43-45页 |
| ·K2算法实现 | 第45-47页 |
| ·小结 | 第47-48页 |
| 第五章 贝叶斯网络分类器在高职教育考试中的应用 | 第48-57页 |
| ·英语应用能力考试预测模型构建 | 第48-50页 |
| ·收集和描述数据 | 第48页 |
| ·高职英语应用能力考试的贝叶斯网络分类器的形式化描述 | 第48-49页 |
| ·基于贝叶斯网络分类模型的英语应用能力考试预测模型 | 第49-50页 |
| ·分类的实现 | 第50-56页 |
| ·实例分析 | 第50-52页 |
| ·实验验证 | 第52-56页 |
| ·小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-58页 |
| ·总结 | 第57页 |
| ·工作展望 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 附录1 样本部分原始数据 | 第63-65页 |
| 附录2 分类模型主要节点条件概率表 | 第65-69页 |
| 附录3 攻读硕士学位期间发表的论文 | 第69页 |