基于粗糙集合和朴素贝叶斯模型的分类问题研究

摘要

本文对基于粗糙集合和朴素贝叶斯的分类问题进行了研究,主要包括以下几个方面的内容:研究了不完备信息系统中粗糙集合理论的扩展,提出了一种基于属性重要度的粗集扩展模型.将粗糙集合理论引入朴素贝叶斯分类模型的研究中,提出了基于信息熵的近似属性约简算法(MAIR),改善条件属性间的依赖关系,最大程度上满足朴素贝叶斯分类条件独立性假设的要求.在MAIR算法的基础上提出了基于粗糙集合理论的朴素贝叶斯分类算法(RSBC),实验证明,该算法在分类正确率上优于朴素贝叶斯分类算法.

目录

文摘

英文文摘

论文说明

独创性声明及学位论文版权使用授权书

致谢

第一章绪论

1.1 KDD

1.1.1 KDD定义及研究现状

1.1.2 KDD与相关技术的比较

1.1.3 KDD的主要任务

1.1.4 KDD发展趋势

1.2 KDD中的分类问题

1.2.1分类问题的定义

1.2.2几种主要的分类模型

1.2.3分类模型的评估

1.3本文的内容组织

第二章贝叶斯理论与贝叶斯分类模型

2.1贝叶斯分类的一般原理

2.1.1贝叶斯定理

2.1.2极大后验假设与极大似然假设

2.2几种常见的贝叶斯分类模型

2.2.1朴素贝叶斯分类模型及扩展

2.2.2提升的朴素贝叶斯分类器

2.2.3贝叶斯网络分类器

2.2.4增量贝叶斯分类模型

2.3本章小结

第三章粗糙集合理论及其扩展模型研究

3.1粗糙集合理论的研究概述

3.2粗糙集合理论的基本概念

3.2.1近似空间的概念

3.2.2粗糙集合的基本概念

3.2.3基于粗糙集合理论的知识约简

3.3不完备信息系统中Rough集扩展模型研究

3.3.1 Rough集的几种扩展模型

3.3.2基于属性重要性的Rough集扩展模型

3.4本章小结

第四章基于粗糙集合理论的朴素贝叶斯分类研究

4.1问题的提出

4.2基于粗糙集合理论的朴素贝叶斯分类算法(RSBC)

4.2.1数据预处理

4.2.2基于粗集的数据预处理

4.2.3基于信息熵的近似属性约简算法(MAIR)

4.2.4 RSBC分类算法模型

4.2.5 RSBC算法实验结果及分析

4.3本章小结

第五章结束语

5.1本文总结

5.2工作展望

参考文献

攻读硕士学位期间参加研究的课题和发表的论文