| 中文摘要 | 第4-6页 |
| Abstract | 第6页 |
| 第一章 引言 | 第8-12页 |
| 1.1 数据挖掘概述 | 第8页 |
| 1.2 数据挖掘中的分类问题 | 第8-11页 |
| 1.2.1 数据分类过程 | 第8-9页 |
| 1.2.2 数据挖掘中主要的分类方法 | 第9-11页 |
| 1.2.2.1 线性判别函数分类方法 | 第9-10页 |
| 1.2.2.2 决策树分类方法 | 第10页 |
| 1.2.2.3 支持向量机分类方法 | 第10页 |
| 1.2.2.4 粗糙集分类方法 | 第10-11页 |
| 1.2.2.5 基于贝叶斯技术的分类方法 | 第11页 |
| 1.3 本文的研究内容以及组织结构 | 第11-12页 |
| 第二章 贝叶斯理论和贝叶斯分类器 | 第12-18页 |
| 2.1 贝叶斯分类器的定理 | 第12-14页 |
| 2.1.1 贝叶斯定理 | 第12-13页 |
| 2.1.2 最大后验假设与最大似然假设 | 第13页 |
| 2.1.3 贝叶斯网络的定义 | 第13-14页 |
| 2.2 几种典型的贝叶斯分类器 | 第14-18页 |
| 2.2.1 朴素贝叶斯分类器NBC(Naive Bayesian Classification) | 第14-15页 |
| 2.2.2 树扩展朴素贝叶斯分类器模型TANC(Tree Augmented Naive Bayesian Classification) | 第15-16页 |
| 2.2.3 贝叶斯分类器的增量学习 | 第16-18页 |
| 第三章 处理缺失数据的问题概述 | 第18-22页 |
| 3.1 缺损数据的定义 | 第18页 |
| 3.2 缺失数据产生的原因 | 第18页 |
| 3.3 缺损数据处理方法 | 第18-19页 |
| 3.4 使用贝叶斯网络解决缺失数据问题 | 第19-22页 |
| 3.4.1 缺失数据的网络结构学习 | 第19-20页 |
| 3.4.2 缺失数据概率参数的学习 | 第20-22页 |
| 3.4.2.1 数据的修复方法 | 第20页 |
| 3.4.2.2 近似计算方法 | 第20-22页 |
| 第四章 增量式的树扩展朴素贝叶斯分类器模型(I-TAN) | 第22-35页 |
| 4.1 引言 | 第22页 |
| 4.2 基本定义 | 第22-26页 |
| 4.2.1 共轭的Dirichlet分布 | 第23-24页 |
| 4.2.2 构建TAN贝叶斯分类器 | 第24-26页 |
| 4.3 贝叶斯分类模型的增量学习 | 第26-27页 |
| 4.4 增量式的树扩展朴素贝叶斯分类器模型(I-TAN) | 第27-34页 |
| 4.4.1 算法基本思想 | 第27-30页 |
| 4.4.2 算法描述 | 第30页 |
| 4.4.3 实验设计与结果分析 | 第30-34页 |
| 4.5 本章小结 | 第34-35页 |
| 第五章 从缺失数据集中学习贝叶斯分类器 | 第35-44页 |
| 5.1 Monte-Carlo方法中的Gibbs sampling | 第35-36页 |
| 5.2 基本算法思想 | 第36-37页 |
| 5.3 算法描述 | 第37-40页 |
| 5.3.1 修正数据集 | 第38-39页 |
| 5.3.2 修正局部概率参数 | 第39页 |
| 5.3.3 修正TAN贝叶斯网络结构 | 第39-40页 |
| 5.4 实验设计与结果分析 | 第40-43页 |
| 5.5 本章小结 | 第43-44页 |
| 结束语与进一步的工作 | 第44-46页 |
| 参考文献 | 第46-49页 |
| 附录1 ALARM网络结构 | 第49-50页 |
| 致谢 | 第50-51页 |
| 读研期间已发表和已投稿的论文 | 第51页 |
| 参与课题 | 第51页 |
| 所获奖励 | 第51页 |
