| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 引言 | 第8-14页 |
| 1.1 数据挖掘的重要性 | 第8页 |
| 1.2 数据挖掘的概念 | 第8页 |
| 1.3 数据挖掘的任务 | 第8-10页 |
| 1.4 数据挖掘对象 | 第10页 |
| 1.5 数据挖掘流程图 | 第10页 |
| 1.6 数据挖掘的方法 | 第10-13页 |
| 1.7 国内常用软件介绍 | 第13页 |
| 1.8 数据挖掘的发展前景 | 第13-14页 |
| 第二章 决策树理论基础 | 第14-20页 |
| 2.1 决策树背景 | 第14-16页 |
| 2.1.1 决策树概念 | 第15-16页 |
| 2.2 C4.5 算法概念 | 第16页 |
| 2.3 C4.5 算法的概率论基础 | 第16-17页 |
| 2.4 C4.5 算法 | 第17-18页 |
| 2.5 C4.5 算法构造决策树过程 | 第18页 |
| 2.6 决策树剪枝 | 第18-20页 |
| 第三章 贝叶斯网络 | 第20-34页 |
| 3.1 贝叶斯网络背景 | 第20-21页 |
| 3.2 贝叶斯网络推理的概率论基础 | 第21-22页 |
| 3.2.1 条件概率 | 第21页 |
| 3.2.2 全概率公式 | 第21页 |
| 3.2.3 联合概率 | 第21页 |
| 3.2.4 贝叶斯定理 | 第21-22页 |
| 3.2.5 链式法则 | 第22页 |
| 3.2.6 先验概率与后验概率 | 第22页 |
| 3.3 贝叶斯网络介绍 | 第22-26页 |
| 3.3.1 贝叶斯网络的定义 | 第22-24页 |
| 3.3.2 D-分割 | 第24-26页 |
| 3.4 贝叶斯网络的表示，学习和推理 | 第26-34页 |
| 3.4.1 贝叶斯网络的参数学习 | 第26-29页 |
| 3.4.2 贝叶斯网络的结构学习 | 第29-31页 |
| 3.4.3 贝叶斯网络推理 | 第31-34页 |
| 第四章 基于优化决策树算法的股骨颈病例分类 | 第34-42页 |
| 4.1 决策树应用现状及用于股骨颈病例分类的背景 | 第34页 |
| 4.2 建立优化的C4.5 决策树算法L-C4.5 | 第34-35页 |
| 4.2.1 基于R-C4.5 算法，对分类属性的取值进行合并 | 第34-35页 |
| 4.2.2 基于MB_C4.5 算法，引入平衡参数 | 第35页 |
| 4.3 基于股骨颈医学数据生成决策树 | 第35-40页 |
| 4.3.1 精选属性，用于生成决策树 | 第36-37页 |
| 4.3.2 属性值合并 | 第37-38页 |
| 4.3.3 基于数据样本 2，用C4.5 算法生成决策树 | 第38-39页 |
| 4.3.4 基于数据样本 3，分别用R-C4.5 算法和L-C4.5 算法生成决策树 | 第39-40页 |
| 4.3.5 分别计算三种决策树在对应总样本作为测试集下的预测精度 | 第40页 |
| 4.4 结论 | 第40-42页 |
| 第五章 贝叶斯网络分类器在股骨颈病例分类中的应用 | 第42-50页 |
| 5.1 贝叶斯网络应用现状及用于股骨颈病例分类的背景 | 第42页 |
| 5.2 朴素贝叶斯网络分类器介绍 | 第42-43页 |
| 5.3 股骨颈手术预后评分的分类模型创建 | 第43-48页 |
| 5.3.1 混淆矩阵 | 第44页 |
| 5.3.2 混淆矩阵Harris评分重要影响因子变量的选取，模型搭建及测试 | 第44-48页 |
| 5.4 结论 | 第48-50页 |
| 第六章 结论 | 第50-52页 |
| 参考文献 | 第52-54页 |
| 致谢 | 第54-55页 |
| 硕士期间发表的学术论文 | 第55页 |
