| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第一章 绪论 | 第10-13页 |
| ·研究背景及意义 | 第10页 |
| ·数据挖掘简介 | 第10-12页 |
| ·数据挖掘的概念 | 第10-11页 |
| ·数据挖掘的功能 | 第11-12页 |
| ·本论文的主要工作 | 第12页 |
| ·本论文的组织结构 | 第12-13页 |
| 第二章 数据分类技术 | 第13-20页 |
| ·数据分类 | 第13-14页 |
| ·数据分类的基本过程 | 第13-14页 |
| ·主要分类算法 | 第14-19页 |
| ·决策树分类法 | 第14-15页 |
| ·神经网络分类 | 第15-16页 |
| ·贝叶斯分类法 | 第16-17页 |
| ·k-最近邻分类法 | 第17-19页 |
| ·算法评估 | 第19-20页 |
| 第三章 基于最短距离系统聚类法的K-最近邻分类方法 | 第20-36页 |
| ·提出问题 | 第20页 |
| ·方法描述 | 第20-28页 |
| ·样本的聚类分析 | 第21-24页 |
| ·最短距离系统聚类法 | 第24-25页 |
| ·选用最短距离系统聚类法的依据 | 第25页 |
| ·利用小簇和孤立点进行分类 | 第25-27页 |
| ·改进的K最近邻分类方法 | 第27-28页 |
| ·算法设计 | 第28-34页 |
| ·训练样本聚类算法 | 第29-31页 |
| ·测试样本聚类算法 | 第31-33页 |
| ·聚类后的小簇或孤立点分类 | 第33-34页 |
| ·算法分析 | 第34-36页 |
| ·参数选取 | 第34-35页 |
| ·算法复杂度分析 | 第35-36页 |
| 第四章 实验分析 | 第36-42页 |
| ·各种参数对算法的影响 | 第36-39页 |
| ·新方法与传统K最近邻分类法的实验比较 | 第39-42页 |
| ·数据样本的规模对两种方法的影响 | 第39-40页 |
| ·属性数目对两种方法的影响 | 第40-42页 |
| 第五章 基于最短距离系统聚类法的KNN分类在教材质量评估中的应用 | 第42-48页 |
| ·应用背景 | 第42-44页 |
| ·解决方法 | 第44-48页 |
| 第六章 结束语 | 第48-49页 |
| ·总结 | 第48页 |
| ·未来的工作 | 第48-49页 |
| 参考文献 | 第49-51页 |
| 致谢 | 第51页 |