| 摘要 | 第1-4页 |
| Abstract | 第4-6页 |
| 目录 | 第6-9页 |
| 第一章 绪论 | 第9-14页 |
| ·数据挖掘的概况 | 第9-10页 |
| ·数据挖掘算法的研究及应用概况 | 第10-12页 |
| ·本文研究内容及组织 | 第12-14页 |
| 第二章 分类 | 第14-25页 |
| ·分类概念 | 第14-15页 |
| ·分类的基本技术 | 第15-22页 |
| ·基于决策树的分类 | 第15-18页 |
| ·贝叶斯分类 | 第18-19页 |
| ·源于关联规则的分类 | 第19-20页 |
| ·神经网络分类 | 第20页 |
| ·K-最临近分类 | 第20-21页 |
| ·基于EP的分类算法 | 第21页 |
| ·其他分类算法 | 第21-22页 |
| ·分类模型的评估 | 第22-24页 |
| ·分类算法的准确率的评估 | 第22-23页 |
| ·分类算法的其他评估标准 | 第23-24页 |
| ·小结 | 第24-25页 |
| 第三章 集成学习方法 | 第25-30页 |
| ·基本概念 | 第25-26页 |
| ·Bagging | 第26-27页 |
| ·Boosting | 第27-29页 |
| ·小结 | 第29-30页 |
| 第四章 EP和基于EP的分类算法 | 第30-39页 |
| ·EP | 第30-34页 |
| ·EP基本概念 | 第30-32页 |
| ·EP的挖掘 | 第32-34页 |
| ·EPs的特性 | 第34页 |
| ·基于EP的分类算法 | 第34-38页 |
| ·CAEP | 第35-36页 |
| ·JEP-Classifier | 第36-37页 |
| ·DeEPs | 第37-38页 |
| ·其它算法 | 第38页 |
| ·小结 | 第38-39页 |
| 第五章 Boosting基于EP的分类器提高分类准确率 | 第39-50页 |
| ·Boosting基于EP的分类器提高分类准确率算法思想的提出 | 第39-40页 |
| ·基分类器的构造 | 第40-45页 |
| ·选择eEP的优点 | 第41-42页 |
| ·eEP的挖掘 | 第42-43页 |
| ·使用eEP分类 | 第43-45页 |
| ·BoostEP | 第45-48页 |
| ·算法思想 | 第46页 |
| ·投票权重的计算和抽样权重的调整 | 第46-47页 |
| ·算法描述 | 第47-48页 |
| ·小结 | 第48-50页 |
| 第六章 实验结果及相关分析 | 第50-53页 |
| ·实验环境及目的 | 第50页 |
| ·BoostEP算法的实验结果 | 第50-52页 |
| ·BoostEP算法的实验结果分析 | 第52-53页 |
| 第七章 结束语 | 第53-54页 |
| ·全文总结 | 第53页 |
| ·工作展望 | 第53-54页 |
| 参考文献 | 第54-60页 |
| 致谢 | 第60-61页 |
| 附录: 攻读硕士学位期间发表学术论文 | 第61页 |