| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.2.1 国内研究现状 | 第11页 |
| 1.2.2 国外研究现状 | 第11-12页 |
| 1.3 主要研究内容及技术路线 | 第12-13页 |
| 1.3.1 研究内容 | 第12-13页 |
| 1.3.2 技术路线 | 第13页 |
| 1.4 本文解决的问题 | 第13-15页 |
| 2 分类方法概述 | 第15-19页 |
| 2.1 分类的定义 | 第15页 |
| 2.2 分类的步骤 | 第15-17页 |
| 2.3 与分类有关的其他问题 | 第17-18页 |
| 2.3.1 分类数据预处理 | 第17页 |
| 2.3.2 分类模型的评价指标 | 第17-18页 |
| 2.4 本章小结 | 第18-19页 |
| 3 两种典型的分类算法 | 第19-27页 |
| 3.1 kNN分类方法 | 第19-21页 |
| 3.1.1 基于相似性的分类算法 | 第19-20页 |
| 3.1.2 k-最近邻方法(kNN) | 第20-21页 |
| 3.1.3 kNN分类算法的优缺点 | 第21页 |
| 3.2 决策树分类方法 | 第21-26页 |
| 3.2.1 决策树生成算法 | 第22-23页 |
| 3.2.2 决策树修剪算法 | 第23页 |
| 3.2.3 C4.5算法 | 第23-26页 |
| 3.2.4 C4.5算法的优缺点 | 第26页 |
| 3.3 本章小结 | 第26-27页 |
| 4 kNN分类算法的改进及应用 | 第27-35页 |
| 4.1 多参数下的kNN分类算法 | 第27-31页 |
| 4.1.1 综合指数的构造 | 第27页 |
| 4.1.2 实例应用 | 第27-31页 |
| 4.2 模糊集贴近度的构造 | 第31-34页 |
| 4.2.1 预备知识 | 第32页 |
| 4.2.2 区间值模糊集贴近度的构造 | 第32-33页 |
| 4.2.3 实例应用 | 第33-34页 |
| 4.3 本章小结 | 第34-35页 |
| 5 基于相关系数计算和PCA的C4.5算法改进及应用 | 第35-43页 |
| 5.1 相关系数计算原理 | 第35-36页 |
| 5.2 PCA算法 | 第36-37页 |
| 5.3 算法流程图 | 第37-38页 |
| 5.4 实验验证 | 第38-41页 |
| 5.4.1 实验环境和工具 | 第38-39页 |
| 5.4.2 实验数据集 | 第39页 |
| 5.4.3 实验结果与分析 | 第39-41页 |
| 5.5 本章小结 | 第41-43页 |
| 6 结论与展望 | 第43-45页 |
| 6.1 结论 | 第43页 |
| 6.2 展望 | 第43-45页 |
| 攻读学位期间参加的科研项目及发表的学术论文 | 第45-47页 |
| 致谢 | 第47-49页 |
| 参考文献 | 第49-53页 |
| 附录 | 第53-55页 |