| 摘要 | 第6-9页 |
| ABSTRACT | 第9-11页 |
| 目录 | 第12-16页 |
| 插图索引 | 第16-18页 |
| 第一章 绪论 | 第18-36页 |
| 1.1 本课题研究背景及意义 | 第18-19页 |
| 1.2 国内外研究概况 | 第19-22页 |
| 1.3 预备知识 | 第22-33页 |
| 1.3.1 概率论基础 | 第22-24页 |
| 1.3.1.1 条件概率、乘法公式及链式法则 | 第22-23页 |
| 1.3.1.2 全概率公式和贝叶斯公式 | 第23-24页 |
| 1.3.1.3 概率模式下的条件独立性及马尔可夫毯 | 第24页 |
| 1.3.2 信息论基础 | 第24-27页 |
| 1.3.2.1 熵 | 第24-25页 |
| 1.3.2.2 联合熵、条件熵、相对熵、互信息、条件互信息 | 第25-26页 |
| 1.3.2.3 互信息与变量独立 | 第26-27页 |
| 1.3.2.4 熵、互信息的链式法则 | 第27页 |
| 1.3.3 贝叶斯网络基础 | 第27-33页 |
| 1.3.3.1 贝叶斯网络基本概念 | 第27-29页 |
| 1.3.3.2 贝叶斯网络学习 | 第29-33页 |
| 1.4. 本文的主要研究内容及结果 | 第33-36页 |
| 第二章 分类及分类器理论 | 第36-45页 |
| 2.1 分类及分类器概述 | 第36-38页 |
| 2.1.1 分类及分类器概念 | 第36-37页 |
| 2.1.2 分类误差 | 第37-38页 |
| 2.2 分类器分类性能评价标准 | 第38-39页 |
| 2.3 分类器分类准确率评价方法 | 第39-41页 |
| 2.3.1 Hold-out （HO）估计方法 | 第39-40页 |
| 2.3.2 蒙特卡洛交叉验证 | 第40页 |
| 2.3.3 k -折交叉验证估计方法 | 第40-41页 |
| 2.3.4 引导法 | 第41页 |
| 2.4 特征（属性）选择 | 第41-45页 |
| 2.4.1 特征选择概述 | 第41-42页 |
| 2.4.2 Filter 方法 | 第42-43页 |
| 2.4.3 Wrapper 方法 | 第43-44页 |
| 2.4.4 Embedded 方法 | 第44-45页 |
| 第三章 离散属性贝叶斯分类器 | 第45-77页 |
| 3.1 贝叶斯分类器概述 | 第45-47页 |
| 3.1.1 贝叶斯分类器 | 第45-46页 |
| 3.1.2 朴素贝叶斯分类器 | 第46-47页 |
| 3.2 离散属性朴素贝叶斯分类器的依赖扩展 | 第47-50页 |
| 3.2.1 树增强朴素贝叶斯分类器 | 第47-49页 |
| 3.2.2 贝叶斯网络分类器 | 第49-50页 |
| 3.2.3 基于类约束的贝叶斯网络分类器 | 第50页 |
| 3.3 基于特征子集选择的贝叶斯分类器扩展 | 第50-55页 |
| 3.3.1 向前顺序选择算法 | 第51-52页 |
| 3.3.2 K2-AS 算法 | 第52页 |
| 3.3.3 基于最优特征子集选择的马尔可夫毯分类器 | 第52-55页 |
| 3.3.3.1 马尔科夫毯相关概念 | 第53-54页 |
| 3.3.3.2 马尔科夫毯分类器学习算法 | 第54-55页 |
| 3.4 基于隐藏变量的贝叶斯分类器扩展 | 第55-60页 |
| 3.4.1 基于隐藏变量的朴素贝叶斯分类器扩展 | 第55-60页 |
| 3.4.1.1 HNBC 学习中评分函数的选择 | 第57-58页 |
| 3.4.1.2 基于 BEC 准则的隐朴素贝叶斯网络结构学习 | 第58-59页 |
| 3.4.1.3 HNBC 分类算法 | 第59-60页 |
| 3.5 约束贝叶斯分类网 | 第60-75页 |
| 3.5.1 变量之间基本依赖关系分析 | 第60-63页 |
| 3.5.1.1 贝叶斯网络信息管道模型 | 第60-61页 |
| 3.5.1.2 属性与类之间的基本依赖关系 | 第61页 |
| 3.5.1.3 属性对类的贡献分析 | 第61-63页 |
| 3.5.2 RBCN 学习 | 第63-68页 |
| 3.5.2.1 确定直接依赖属性 | 第63-65页 |
| 3.5.2.2 确定导出依赖属性 | 第65-68页 |
| 3.5.3 实验与分析 | 第68-74页 |
| 3.5.3.1 分类器结构比较 | 第68-70页 |
| 3.5.3.2 分类器的分类准确性比较 | 第70-73页 |
| 3.5.3.3 属性对类的贡献 | 第73-74页 |
| 3.5.4 小结 | 第74-75页 |
| 3.6 完全贝叶斯分类器 | 第75-77页 |
| 第四章 连续属性贝叶斯分类器 | 第77-113页 |
| 4.1 连续属性的朴素贝叶斯分类器 | 第77-88页 |
| 4.1.1 离散化方法 | 第78-83页 |
| 4.1.1.1 离散化方法概述 | 第78-79页 |
| 4.1.1.2 离散化方法分类 | 第79-80页 |
| 4.1.1.3 几种主要的离散化方法 | 第80-83页 |
| 4.1.2 基于高斯分布参数化方法的连续属性朴素贝叶斯分类器 | 第83-84页 |
| 4.1.3 基于高斯核密度非参数估计方法的连续属性朴素贝叶斯分类器 | 第84-85页 |
| 4.1.3.1 核密度估计概述 | 第84-85页 |
| 4.1.3.2 核密度估计的渐进性质 | 第85页 |
| 4.1.4 基于有限混合模型估计方法的连续属性朴素贝叶斯分类器 | 第85-88页 |
| 4.1.4.1 高斯混合模型定义 | 第86页 |
| 4.1.4.2 高斯混和模型参数的估计 | 第86-87页 |
| 4.1.4.3 高斯混和模型中成分数的估计 | 第87-88页 |
| 4.2 连续属性朴素贝叶斯分类器的依赖扩展 | 第88-102页 |
| 4.2.1 基于高斯分布的连续属性朴素贝叶斯分类器的依赖扩展 | 第88-94页 |
| 4.2.1.1 连续属性条件互信息的计算 | 第89-90页 |
| 4.2.1.2 构建最大权重跨度树 | 第90页 |
| 4.2.1.3 联合概率分解与条件密度计算 | 第90-91页 |
| 4.2.1.4 基于分类准确率的属性父结点选择 | 第91-92页 |
| 4.2.1.5 实验与分析 | 第92-93页 |
| 4.2.1.6 结论和进一步的工作 | 第93-94页 |
| 4.2.2 基于平滑参数高斯核密度估计的朴素贝叶斯分类器依赖扩展 | 第94-102页 |
| 4.2.2.1 基于高斯核函数的非参数密度估计 | 第95-96页 |
| 4.2.2.2 属性对类提供的信息构成分析 | 第96-97页 |
| 4.2.2.3 属性父节点选择 | 第97-98页 |
| 4.2.2.4 实验与分析 | 第98-102页 |
| 4.2.2.5 结论与进一步的工作 | 第102页 |
| 4.3 连续属性完全贝叶斯分类器 | 第102-113页 |
| 4.3.1 基于多元高斯函数的连续属性完全贝叶斯分类器 | 第103页 |
| 4.3.2 基于多元高斯核函数的连续属性完全贝叶斯分类器 | 第103-104页 |
| 4.3.3 基于 Gaussian copula 的连续属性完全贝叶斯分类器 | 第104-113页 |
| 4.3.3.1 Copula 函数概述 | 第104-106页 |
| 4.3.3.2 Gaussian Copula 函数 | 第106-107页 |
| 4.3.3.3 基于 Gaussian Copula 的属性条件联合密度估计 | 第107-108页 |
| 4.3.3.4 基于 Gaussian Copula 的连续属性完全贝叶斯分类器 | 第108-109页 |
| 4.3.3.5 实验与分析 | 第109-112页 |
| 4.3.3.6 结论与进一步的工作 | 第112-113页 |
| 第五章 动态贝叶斯网络分类器 | 第113-122页 |
| 5.1 动态贝叶斯网络概述 | 第113-116页 |
| 5.2 动态朴素贝叶斯分类器 | 第116-119页 |
| 5.2.1 动态朴素贝叶斯分类器的结构 | 第116-117页 |
| 5.2.2 动态朴素贝叶斯分类器的表示形式 | 第117页 |
| 5.2.3 动态朴素贝叶斯分类器的参数估计 | 第117-118页 |
| 5.2.4 动态朴素贝叶斯分类器的分类准确性估计 | 第118-119页 |
| 5.2.5 动态朴素贝叶斯分类器中的特征子集选择 | 第119页 |
| 5.3 动态朴素贝叶斯分类器的扩展 | 第119-122页 |
| 5.3.1 类约束单马尔科夫链属性依赖扩展 | 第119-120页 |
| 5.3.2 隐藏扩展的动态朴素贝叶斯分类器 | 第120-122页 |
| 第六章 贝叶斯分类器的应用 | 第122-137页 |
| 6.1 动态贝叶斯分类器用于 GDP 波动转折点预测应用 | 第122-124页 |
| 6.1.1 GDP 波动转折点预测 | 第122-124页 |
| 6.1.1.1 预测指标 | 第123页 |
| 6.1.1.2 预测结果 | 第123-124页 |
| 6.1.2 其它宏观经济指标预测 | 第124页 |
| 6.1.3 小结 | 第124页 |
| 6.2 层次朴素贝叶斯分类器在企业财务风险评估中的应用 | 第124-129页 |
| 6.2.1 层次朴素贝叶斯分类器参数学习 | 第125-127页 |
| 6.2.1.1 一级和二级指标边缘概率估计 | 第125页 |
| 6.2.1.2 二级和三级指标条件概率或密度估计 | 第125-126页 |
| 6.2.1.3 分类器表示形式与分类过程 | 第126-127页 |
| 6.2.2 企业财务风险评估 | 第127-129页 |
| 6.2.2.1 财务风险评估指标体系 | 第127页 |
| 6.2.2.2 财务风险评估分类器结构 | 第127-128页 |
| 6.2.2.3 分类准确性的比较 | 第128-129页 |
| 6.2.3 小结 | 第129页 |
| 6.3 K 阶多马尔科夫链动态朴素贝叶斯分类器在宏观经济风险时滞影响分析应用 | 第129-137页 |
| 6.3.1 k 阶多马尔科夫链动态朴素贝叶斯分类器 | 第129-133页 |
| 6.3.1.1 k MMC_DNBC 的结构 | 第130页 |
| 6.3.1.2 k MMC_DNBC 的表示 | 第130-131页 |
| 6.3.1.3 k MMC_DNBC 中的参数估计—条件密度估计 | 第131-132页 |
| 6.3.1.4 k MMC_DNBC 的识别能力计算 | 第132页 |
| 6.3.1.5 基于k MMC_DNBC 的识别能力的时滞影响分析 | 第132-133页 |
| 6.3.2 宏观经济风险的时滞影响分析 | 第133-135页 |
| 6.3.2.1 指标选择及数据收集 | 第133页 |
| 6.3.2.2 宏观经济风险时滞影响计算 | 第133-135页 |
| 6.3.3 结论和进一步的工作 | 第135-137页 |
| 第七章 总结与展望 | 第137-139页 |
| 参考文献 | 第139-149页 |
| 攻读博士学位期间完成的工作 | 第149-150页 |
| 致谢 | 第150页 |
