貝葉斯網(wǎng)絡(luò)分類器：算法與應(yīng)用

第1章 引 言
1．1 本書選題的背景和意義
1．2 如何閱讀本書
第2章 貝葉斯網(wǎng)絡(luò)分類器基礎(chǔ)知識
2．1 分類的定義
2．2 貝葉斯網(wǎng)絡(luò)的定義
2．3 貝葉斯規(guī)則
2．4 極大后驗假設(shè)
2．5 樸素貝葉斯分類器
第3章 基于結(jié)構(gòu)擴展的貝葉斯網(wǎng)絡(luò)分類器學習算法
3．1 結(jié)構(gòu)擴展方法簡介
3．2 現(xiàn)有工作綜述
3．3 加權(quán)平均的一依賴估測器
3．4 隱樸素貝葉斯
3．5 森林擴展的樸素貝葉斯
3．6 平均樹擴展的樸素貝葉斯
3．7 一依賴擴展的樸素貝葉斯
3．8 隨機的一依賴估測器
3．9 基于條件似然對數(shù)的超父親算法
第4章 基于屬性選擇的貝葉斯網(wǎng)絡(luò)分類器學習算法
4．1 屬性選擇方法簡介
4．2 現(xiàn)有工作綜述
4．3 進化的樸素貝葉斯
4．4 基于條件似然對數(shù)的選擇性樸素貝葉斯
4．5 隨機選擇的樸素貝葉斯
4．6 測試代價敏感的樸素貝葉斯
第5章 基于屬性加權(quán)的貝葉斯網(wǎng)絡(luò)分類器學習算法
5．1 屬性加權(quán)方法簡介
5．2 現(xiàn)有工作綜述
5．3 深度屬性加權(quán)的樸素貝葉斯
第6章 基于局部學習的貝葉斯網(wǎng)絡(luò)分類器學習算法
6．1 局部學習方法簡介
6．2 現(xiàn)有工作綜述
6．3 實例克隆的局部樸素貝葉斯
6．4 動態(tài)鄰域的樸素貝葉斯
6．5 組合鄰域的樸素貝葉斯
第7章 基于實例加權(quán)的貝葉斯網(wǎng)絡(luò)分類器學習算法
7．1 實例加權(quán)方法簡介
7．2 現(xiàn)有工作綜述
7．3 實例加權(quán)的樸素貝葉斯
7．4 實例加權(quán)的半監(jiān)督樸素貝葉斯
7．5 實例克隆的樸素貝葉斯
7．6 判別加權(quán)的樸素貝葉斯
7．7 抽樣的貝葉斯網(wǎng)絡(luò)分類器
7．8 基于差分演化算法的貝葉斯網(wǎng)絡(luò)分類器
7．9 代價敏感的貝葉斯網(wǎng)絡(luò)分類器
第8章 貝葉斯網(wǎng)絡(luò)分類器在文本分類中的應(yīng)用
8．1 文本分類簡介
8．1．1 文本數(shù)據(jù)的表示
8．1．2 文本分類的基本過程
8．1．3 文本分類算法綜述
8．2 樸素貝葉斯文本分類器簡介
8．2．1 伯努利樸素貝葉斯模型
8．2．2 多項式樸素貝葉斯模型
8．2．3 補集樸素貝葉斯模型
8．2．4 0VA模型
8．3 結(jié)構(gòu)擴展的樸素貝葉斯文本分類器
8．3．1 簡介
8．3．2 結(jié)構(gòu)擴展的多項式樸素貝葉斯
8．4 屬性選擇的樸素貝葉斯文本分類器
8．4．1 簡介
8．4．2 一種基于增益率的屬性選擇新方法
8．5 屬性加權(quán)的樸素貝葉斯文本分類器
8．5．1 簡介
8．5．2 一種基于相關(guān)性的屬性加權(quán)方法
8．5．3 一種基于增益率的屬性加權(quán)方法
8．5．4 一種基于決策樹的屬性加權(quán)方法
8．6 局部學習的樸素貝葉斯文本分類器
8．6．1 簡介
8．6．2 局部加權(quán)的樸素貝葉斯文本分類器
8．6．3 多項式樸素貝葉斯樹
8．7 實例加權(quán)的樸素貝葉斯文本分類器
8．7．1 簡介
8．7．2 判別加權(quán)的樸素貝葉斯文本分類器
第9章 貝葉斯網(wǎng)絡(luò)分類器在距離度量中的應(yīng)用
9．1 距離度量簡介
9．1．1 基于實例的學習
9．1．2 屬性類型分類
9．1．3 名詞性屬性距離度量
9．2 距離度量與貝葉斯網(wǎng)絡(luò)分類器
9．2．1 值差度量與樸素貝葉斯分類器
9．2．2 修改的Short-Fukunaga度量
9．2．3 利用貝葉斯網(wǎng)絡(luò)分類器改進基于概率的距離度量
9．3 一依賴的值差度量
9．3．1 簡介
9．3．2 一依賴的值差度量
9．4 選擇性的值差度量
9．4．1 簡介
9．4．2 為值差度量作屬性選擇
9．5 屬性加權(quán)的距離度量
9．5．1 簡介
9．5．2 屬性加權(quán)的距離度量
9．6 局部的值差度量
9．6．1 簡介
9．6．2 局部的值差度量
9．7 實例加權(quán)的值差度量
9．7．1 簡介
9．7．2 實例加權(quán)的值差度量
參考文獻
附錄：LiSt of AbbreViationS英文縮寫清單