贝叶斯网络分类模型研究及其在信用评估中的应用
| 摘要 | 第1-9页 |
| Abstract | 第9-15页 |
| 第1章 绪论 | 第15-26页 |
| ·研究背景 | 第15-16页 |
| ·贝叶斯网络及其分类模型 | 第16-23页 |
| ·图的定义与术语 | 第16-17页 |
| ·不确定域的知识表示——贝叶斯网络 | 第17-19页 |
| ·贝叶斯网络结构学习理论发展概述 | 第19-22页 |
| ·贝叶斯网络分类模型概述 | 第22-23页 |
| ·问题提出 | 第23-24页 |
| ·本文的主要工作 | 第24-26页 |
| 第2章 扩展树增强朴素贝叶斯分类模型 | 第26-43页 |
| ·引言 | 第26页 |
| ·树增强朴素贝叶斯分类器 | 第26-27页 |
| ·扩展树增强结构的朴素贝叶斯分类器 | 第27-31页 |
| ·ETAN算法 | 第27-30页 |
| ·ETAN与TAN的关系 | 第30-31页 |
| ·属性变量的条件概率模型 | 第31-36页 |
| ·条件概率 | 第31-35页 |
| ·参数平滑 | 第35-36页 |
| ·扩展树增强贝叶斯多网分类器 | 第36-37页 |
| ·实验评估 | 第37-40页 |
| ·结论 | 第40-41页 |
| ·讨论 | 第41-43页 |
| 第3章 灵活的增强朴素贝叶斯分类模型 | 第43-53页 |
| ·引言 | 第43页 |
| ·灵活的增强朴素贝叶斯分类器 | 第43-50页 |
| ·定义 | 第43-44页 |
| ·最小描述长度 | 第44-46页 |
| ·FAN结构的最小描述长度表达 | 第46-48页 |
| ·构造FAN分类器算法 | 第48-50页 |
| ·试验评估 | 第50-52页 |
| ·结论 | 第52-53页 |
| 第4章 基于判别分析的朴素贝叶斯分类模型 | 第53-68页 |
| ·引言 | 第53页 |
| ·朴素贝叶斯分类器 | 第53-55页 |
| ·判别分析和DANB分类器 | 第55-63页 |
| ·线性判别分析 | 第55-59页 |
| ·核判别分析 | 第59-62页 |
| ·DANB分类器 | 第62-63页 |
| ·实验与分析 | 第63-66页 |
| ·结论 | 第66-68页 |
| 第5章 基于贝叶斯网络分类的信用评估 | 第68-94页 |
| ·引言 | 第68-69页 |
| ·个人信用评估指标集的选择原则 | 第69页 |
| ·评估指标的数据类型 | 第69-71页 |
| ·贝叶斯网络分类模型 | 第71-77页 |
| ·贝叶斯分类原理 | 第71页 |
| ·朴素贝叶斯网络分类模型 | 第71-76页 |
| ·树增强朴素贝叶斯分类模型 | 第76-77页 |
| ·Q-Q图 | 第77-78页 |
| ·变换到接近正态性 | 第78-80页 |
| ·变换一元观测值 | 第78-79页 |
| ·变换多元观测值 | 第79-80页 |
| ·实验 | 第80-92页 |
| ·数据描述 | 第80-83页 |
| ·探索性数据分析 | 第83-86页 |
| ·构建个人信用评估模型 | 第86-92页 |
| ·结论 | 第92-94页 |
| 第6章 最小总风险准则的贝叶斯网络信用评估 | 第94-103页 |
| ·引言 | 第94页 |
| ·最小总风险准则 | 第94-96页 |
| ·结合最小总风险准则与贝叶斯网络分类模型 | 第96-97页 |
| ·实验 | 第97-102页 |
| ·数据集和实验目的 | 第97-98页 |
| ·实验结果与分析 | 第98-102页 |
| ·结论 | 第102-103页 |
| 总结与展望 | 第103-109页 |
| 致谢 | 第109-110页 |
| 参考文献 | 第110-119页 |
| 攻读博士学位期间发表的论文及科研成果 | 第119页 |
