| 摘要 | 第1-6页 |
| Abstract | 第6-7页 |
| 致谢 | 第7-8页 |
| 目录 | 第8-11页 |
| 插图清单 | 第11-12页 |
| 表格目录 | 第12-13页 |
| 第一章 绪论 | 第13-24页 |
| ·数据挖掘技术概述 | 第13-16页 |
| ·数据挖掘产生的背景 | 第13-14页 |
| ·数据挖掘的基本概念 | 第14页 |
| ·数据挖掘的种类 | 第14-15页 |
| ·数据挖掘的研究现状和发展趋势 | 第15-16页 |
| ·数据挖掘中的分类问题 | 第16-22页 |
| ·数据分类的过程 | 第16-18页 |
| ·分类模型的建立 | 第16-17页 |
| ·模型的运用 | 第17-18页 |
| ·数据的预处理 | 第18-19页 |
| ·数据转换 | 第18页 |
| ·数据清理 | 第18页 |
| ·相关性分析 | 第18-19页 |
| ·分类方法的比较和评估 | 第19页 |
| ·几种主要的分类方法 | 第19-22页 |
| ·线性判别函数分类方法 | 第19页 |
| ·决策树分类方法 | 第19-20页 |
| ·粗糙集分类方法 | 第20页 |
| ·概念格方法 | 第20-21页 |
| ·神经网络分类方法 | 第21页 |
| ·距离函数法和最近邻判别法 | 第21-22页 |
| ·支持向量机分类方法 | 第22页 |
| ·基于贝叶斯技术的分类方法 | 第22页 |
| ·课题来源和本文的组织 | 第22-24页 |
| 第二章 贝叶斯理论与贝叶斯分类器 | 第24-37页 |
| ·贝叶斯分类器的一般原理 | 第24-29页 |
| ·贝叶斯定理 | 第24-25页 |
| ·最大后验假设与最大似然假设 | 第25-26页 |
| ·贝叶斯网络与贝叶斯分类器 | 第26-27页 |
| ·信息度量理论 | 第27-28页 |
| ·先验分布的选取 | 第28-29页 |
| ·几种贝叶斯分类模型 | 第29-36页 |
| ·朴素贝叶斯分类模型(NBC) | 第30-33页 |
| ·朴素贝叶斯分类原理 | 第30-31页 |
| ·朴素贝叶斯分类器的提升(Boosted NBC) | 第31-32页 |
| ·半朴素贝叶斯分类模型(SNBC) | 第32-33页 |
| ·贝叶斯网络分类模型(BNC) | 第33-35页 |
| ·树扩展朴素贝叶斯网络分类器(TAN: Tree-Augmented Na(?)ve Bayesian Classifier) | 第33-34页 |
| ·TAN的简化模型 | 第34-35页 |
| ·TAN的扩展模型 | 第35页 |
| ·增量贝叶斯分类模型 | 第35-36页 |
| ·小结 | 第36-37页 |
| 第三章 半朴素贝叶斯分类模型 | 第37-53页 |
| ·SNBC模型选择的依据 | 第37页 |
| ·SNBC的定义 | 第37-38页 |
| ·SNBC模型的三个发展阶段 | 第38-39页 |
| ·传统SNBC模型: | 第38页 |
| ·有界半朴素贝叶斯分类模型(BSNBC): | 第38页 |
| ·K-规范BSNBC模型: | 第38-39页 |
| ·关于对数似然的两个引理 | 第39-40页 |
| ·BSNBC分类算法 | 第40页 |
| ·IP编码算法 | 第40-42页 |
| ·CMI-BSNBC分类学习算法 | 第42-44页 |
| ·算法描述 | 第42-44页 |
| ·算法复杂度分析比较 | 第44页 |
| ·实验结果与分析 | 第44-52页 |
| ·实验数据 | 第44-46页 |
| ·CMI-BSNBC分类模型介绍 | 第46-48页 |
| ·实验结果分析 | 第48-52页 |
| ·小结 | 第52-53页 |
| 第四章 增量贝叶斯分类器 | 第53-60页 |
| ·常见的新实例抽样策略 | 第53-55页 |
| ·基于确定性与不确定性的主动策略 | 第53-54页 |
| ·基于分类损失的主动策略 | 第54-55页 |
| ·贝叶斯增量分类过程中参数的学习与推理 | 第55-56页 |
| ·基于训练集分类损失的序列学习算法TSCL-SLA | 第56-58页 |
| ·算法基本思想 | 第57页 |
| ·算法描述 | 第57-58页 |
| ·算法原理分析 | 第58-59页 |
| ·小结 | 第59-60页 |
| 第五章 总结与展望 | 第60-63页 |
| ·本文的创新工作 | 第60-61页 |
| ·工作展望 | 第61-63页 |
| 参考文献 | 第63-66页 |
| 附录1: 攻读硕士学位期间发表的论文 | 第66-67页 |
| 附录2: CMI-BSNBC分类模型部分代码 | 第67-76页 |
