| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 研究的主要内容 | 第14-17页 |
| 1.4 论文的结构安排 | 第17-20页 |
| 第2章 基础理论及关键技术 | 第20-38页 |
| 2.1 贝叶斯算法 | 第20-26页 |
| 2.1.1 理论概况 | 第20-21页 |
| 2.1.2 贝叶斯分类 | 第21-25页 |
| 2.1.3 朴素贝叶斯的几种改进方向 | 第25-26页 |
| 2.2 关联规则挖掘 | 第26-31页 |
| 2.2.1 相关定义 | 第26-27页 |
| 2.2.2 研究现状 | 第27页 |
| 2.2.3 两种经典的关联规则挖掘算法 | 第27-31页 |
| 2.2.4 关联规则挖掘存在的问题 | 第31页 |
| 2.3 云计算 | 第31-37页 |
| 2.3.1 云计算概述 | 第32页 |
| 2.3.2 Hadoop框架 | 第32-35页 |
| 2.3.3 Spark框架 | 第35-37页 |
| 2.4 本章小结 | 第37-38页 |
| 第3章 基于局部学习和结构扩展改进贝叶斯算法 | 第38-58页 |
| 3.1 基于余弦相似度和实例加权改进朴素贝叶斯算法 | 第38-42页 |
| 3.1.1 方法的思想 | 第39-40页 |
| 3.1.2 算法流程 | 第40页 |
| 3.1.3 实验验证 | 第40-42页 |
| 3.2 基于矩阵剪枝改进Apriori算法及Spark实现 | 第42-52页 |
| 3.2.1 基于矩阵剪枝改进Apriori算法 | 第43-45页 |
| 3.2.2 基于 Spark框架实现改进的Apriori算法 | 第45-48页 |
| 3.2.3 实验验证 | 第48-52页 |
| 3.3 基于关联规则的加权平均1-依赖贝叶斯算法 | 第52-56页 |
| 3.3.1 加权平均的1-依赖贝叶斯分类模型(WAODE) | 第53-54页 |
| 3.3.2 生成关联规则 | 第54页 |
| 3.3.3 基于关联规则的WAODE(AR-WAODE) | 第54-56页 |
| 3.4 本章小结 | 第56-58页 |
| 第4章 基于Hadoop框架实现AR-WAODE算法 | 第58-68页 |
| 4.1 可行性分析 | 第58-59页 |
| 4.2 AR-WAODE算法的Hadoop实现 | 第59-64页 |
| 4.2.1 预处理作业 | 第59-61页 |
| 4.2.2 分类器训练作业 | 第61-63页 |
| 4.2.3 分类器预测作业 | 第63-64页 |
| 4.3 实验验证 | 第64-67页 |
| 4.4 本章小结 | 第67-68页 |
| 第5章 疾病预测模型的设计与实现 | 第68-86页 |
| 5.1 疫病预测问题概述 | 第68-69页 |
| 5.2 数据初步分析 | 第69-75页 |
| 5.2.1 经络值 | 第69-72页 |
| 5.2.2 舌象面象脉象 | 第72-73页 |
| 5.2.3 气象数据 | 第73-75页 |
| 5.3 设计与实现疾病预测模型 | 第75-85页 |
| 5.3.1 构建数据集 | 第75-78页 |
| 5.3.2 构建疾病分类模型 | 第78-80页 |
| 5.3.3 评估疾病分类模型 | 第80-85页 |
| 5.4 本章小结 | 第85-86页 |
| 第6章 总结与展望 | 第86-88页 |
| 6.1 工作总结 | 第86-87页 |
| 6.2 工作展望 | 第87-88页 |
| 参考文献 | 第88-92页 |
| 附录1 插图索引 | 第92-93页 |
| 附录2 表格索引 | 第93-94页 |
| 致谢 | 第94-96页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第96页 |
