從海量數(shù)據(jù)中挖掘知識為決策支持和分析預(yù)測服務(wù)，已成為人們對信息系統(tǒng)提出的新需求，但數(shù)據(jù)的處理和數(shù)據(jù)的提煉技術(shù)是匱乏的。起源于貝葉斯統(tǒng)計學(xué)的貝葉斯網(wǎng)絡(luò)以其獨特的不確定性知識表達形式、豐富的概率表達能力、綜合先驗知識的增量學(xué)習(xí)方法等特性表示了客體的概率分布和因果聯(lián)系，成為當(dāng)前數(shù)據(jù)挖掘眾多方法中最為引人注目的焦點之一，成為知識發(fā)現(xiàn)領(lǐng)域中的一種重要的知識發(fā)現(xiàn)方法。本文主要是對基于貝葉斯網(wǎng)絡(luò)及其分類模型的應(yīng)用研究，其主要內(nèi)容如下：(1)綜述了數(shù)據(jù)挖掘技術(shù)的基本概念、數(shù)據(jù)挖掘中的幾種分類方法及其應(yīng)用，然后結(jié)合高等職業(yè)教育的現(xiàn)狀和學(xué)生特點討論了高等職業(yè)教育中貝葉斯網(wǎng)絡(luò)的基本應(yīng)用。(2)闡述了貝葉斯網(wǎng)絡(luò)的理論基礎(chǔ)。包括貝葉網(wǎng)絡(luò)的概念及其性質(zhì)特點、貝葉斯網(wǎng)絡(luò)的參數(shù)學(xué)習(xí)和結(jié)構(gòu)學(xué)習(xí)。討論了貝葉斯分類和貝葉斯網(wǎng)絡(luò)分類方法。根據(jù)理論知識的描述，用一個典型案例分析論證了貝葉斯網(wǎng)絡(luò)模型，用K2算法描述了完備數(shù)據(jù)的結(jié)構(gòu)學(xué)習(xí)方法。(3)基于K2算法，借助matlab環(huán)境，通過機器學(xué)習(xí)構(gòu)建了一個高等職業(yè)教育中英語應(yīng)用能力考試的貝葉斯網(wǎng)絡(luò)分類器。(4)基于貝葉斯網(wǎng)絡(luò)分類模型在高職教育考試中的應(yīng)用研究。通過貝葉斯網(wǎng)絡(luò)分類工具... 

【文章來源】：合肥工業(yè)大學(xué)安徽省 211工程院校 教育部直屬院校

【文章頁數(shù)】：69 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
致謝
第一章 概述
    1.1 數(shù)據(jù)挖掘概述
        1.1.1 數(shù)據(jù)挖掘概念
        1.1.2 數(shù)據(jù)挖掘的主要步驟
        1.1.3 數(shù)據(jù)挖掘中的分類問題
            1.1.3.1 數(shù)據(jù)分類的過程
            1.1.3.2 幾種主要的分類方法
            1.1.3.3 分類方法的比較和評估
    1.2 貝葉斯網(wǎng)絡(luò)與貝葉斯分類概述
        1.2.1 貝葉斯網(wǎng)絡(luò)發(fā)展歷史
        1.2.2 貝葉斯網(wǎng)絡(luò)的優(yōu)點
        1.2.3 貝葉斯網(wǎng)絡(luò)的應(yīng)用
        1.2.4 貝葉斯網(wǎng)絡(luò)與貝葉斯分類
    1.3 研究的背景與意義
        1.3.1 本文研究的背景
        1.3.2 本文研究的意義
    1.4 論文主要內(nèi)容及結(jié)構(gòu)
第二章 貝葉斯網(wǎng)絡(luò)的理論基礎(chǔ)
    2.1 基本概念與貝葉斯定理
    2.2 貝葉斯網(wǎng)絡(luò)理論基礎(chǔ)
        2.2.1 貝葉斯網(wǎng)絡(luò)的定義
        2.2.2 貝葉斯網(wǎng)絡(luò)公式
        2.2.3 貝葉斯網(wǎng)絡(luò)性質(zhì)
    2.3 一個貝葉斯網(wǎng)絡(luò)的模型實例
    2.4 小結(jié)
第三章 貝葉斯網(wǎng)絡(luò)分類器
    3.1 貝葉斯分類器
        3.1.1 最大后驗假設(shè)與最大似然假設(shè)
        3.1.2 貝葉斯分類器及其優(yōu)化
    3.2 樸素貝葉斯分類器
        3.2.1 樸素的貝葉斯分類器模型
        3.2.2 樸素貝葉斯分類的提升
    3.3 貝葉斯網(wǎng)絡(luò)分類器
    3.4 小結(jié)
第四章 貝葉斯網(wǎng)絡(luò)分類器的構(gòu)建
    4.1 貝葉斯網(wǎng)絡(luò)的構(gòu)建方法
        4.1.1 貝葉斯網(wǎng)絡(luò)學(xué)習(xí)概述
        4.1.2 貝葉斯網(wǎng)絡(luò)的構(gòu)建方法
    4.2 貝葉斯網(wǎng)絡(luò)學(xué)習(xí)的前提假設(shè)
        4.2.1 數(shù)據(jù)完整性假設(shè)
        4.2.2 無選擇偏好假設(shè)
        4.2.3 變量離散化假設(shè)
    4.3 貝葉斯網(wǎng)絡(luò)的參數(shù)學(xué)習(xí)
    4.4 貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)學(xué)習(xí)
        4.4.1 貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)學(xué)習(xí)概述
        4.4.2 數(shù)據(jù)完備時基于搜索和打分的方法
            4.4.2.1 評分測度
            4.4.2.2 模型選擇
    4.5 基于 K2算法的貝葉斯網(wǎng)絡(luò)分類器的結(jié)構(gòu)學(xué)習(xí)
        4.5.1 K2算法
        4.5.2 K2算法實現(xiàn)
    4.6 小結(jié)
第五章 貝葉斯網(wǎng)絡(luò)分類器在高職教育考試中的應(yīng)用
    5.1 英語應(yīng)用能力考試預(yù)測模型構(gòu)建
        5.1.1 收集和描述數(shù)據(jù)
        5.1.2 高職英語應(yīng)用能力考試的貝葉斯網(wǎng)絡(luò)分類器的形式化描述
        5.1.3 基于貝葉斯網(wǎng)絡(luò)分類模型的英語應(yīng)用能力考試預(yù)測模型
    5.2 分類的實現(xiàn)
        5.2.1 實例分析
        5.2.2 實驗驗證
    5.3 小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 工作展望
參考文獻
附錄1 樣本部分原始數(shù)據(jù)
附錄2 分類模型主要節(jié)點條件概率表
附錄3 攻讀碩士學(xué)位期間發(fā)表的論文


【參考文獻】：
碩士論文
[1]貝葉斯網(wǎng)絡(luò)學(xué)習(xí)方法和算法研究[D]. 張劍飛.東北師范大學(xué) 2005
[2]基于遺傳算法的貝葉斯分類器結(jié)構(gòu)學(xué)習(xí)研究[D]. 蔣望東.廣西師范大學(xué) 2005
[3]數(shù)據(jù)挖掘中基于貝葉斯技術(shù)的分類問題的研究[D]. 姜卯生.合肥工業(yè)大學(xué) 2004
[4]貝葉斯網(wǎng)絡(luò)及其在范例推理中的應(yīng)用研究[D]. 胡彩平.安徽大學(xué) 2004
[5]貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)及其多Agent系統(tǒng)模型研究[D]. 姚宏亮.合肥工業(yè)大學(xué) 2003



本文編號：2930842