智能分類方法

前言
第1章 緒論
1.1 數(shù)據(jù)挖掘
1.2 分類
1.3 分類方法
1.4 分類應用
第2章 支持向量機分類方法
2.1 統(tǒng)計學習理論
2.2 線性支持向量機
2.3 非線性支持向量機
2.4 核函數(shù)
2.5 實現(xiàn)技術
2.6 多分類技術
2.7 支持向量機分類方法應用
第3章 粗糙集分類方法
3.1 粗糙集的基本概念
3.2 知識約簡
3.3 信息系統(tǒng)
3.4 決策表與決策規(guī)則
3.5 決策表的離散化
3.6 粗糙集理論在分類上的應用
第4章 模糊集分類方法
4.1 模糊集的概念
4.2 模糊集的運算
4.3 模糊集的基本定理
4.4 模糊矩陣
4.5 模糊關系
4.6 模糊聚類
4.7 基于模糊集的教學質(zhì)量評價
第5章 貝葉斯分類方法
5.1 貝葉斯定理
5.2 樸素貝葉斯分類
5.3 貝葉斯信念網(wǎng)
5.4 基于樸素貝葉斯的短信息分類
第6章 其他分類方法
6.1 k近鄰分類法
6.2 線性最小平方擬合（LLSF）
6.3 決策樹分類法
6.4 神經(jīng)網(wǎng)絡
6.5 遺傳算法
6.6 最大熵模型
6.7 基于投票的方法
第7章 基于融合技術的分類方法
7.1 基于粗糙集和支持向量機融合的分類方法
7.2 基于模糊集和支持向量機的分類方法
7.3 基于粗糙集的貝葉斯分類方法
7.4 規(guī)則抽取與遺傳算法融合
7.5 展望
參考文獻