贝叶斯网络分类器：算法与应用

第1章 引 言
1．1 本书选题的背景和意义
1．2 如何阅读本书
第2章 贝叶斯网络分类器基础知识
2．1 分类的定义
2．2 贝叶斯网络的定义
2．3 贝叶斯规则
2．4 极大后验假设
2．5 朴素贝叶斯分类器
第3章 基于结构扩展的贝叶斯网络分类器学习算法
3．1 结构扩展方法简介
3．2 现有工作综述
3．3 加权平均的一依赖估测器
3．4 隐朴素贝叶斯
3．5 森林扩展的朴素贝叶斯
3．6 平均树扩展的朴素贝叶斯
3．7 一依赖扩展的朴素贝叶斯
3．8 随机的一依赖估测器
3．9 基于条件似然对数的超父亲算法
第4章 基于属性选择的贝叶斯网络分类器学习算法
4．1 属性选择方法简介
4．2 现有工作综述
4．3 进化的朴素贝叶斯
4．4 基于条件似然对数的选择性朴素贝叶斯
4．5 随机选择的朴素贝叶斯
4．6 测试代价敏感的朴素贝叶斯
第5章 基于属性加权的贝叶斯网络分类器学习算法
5．1 属性加权方法简介
5．2 现有工作综述
5．3 深度属性加权的朴素贝叶斯
第6章 基于局部学习的贝叶斯网络分类器学习算法
6．1 局部学习方法简介
6．2 现有工作综述
6．3 实例克隆的局部朴素贝叶斯
6．4 动态邻域的朴素贝叶斯
6．5 组合邻域的朴素贝叶斯
第7章 基于实例加权的贝叶斯网络分类器学习算法
7．1 实例加权方法简介
7．2 现有工作综述
7．3 实例加权的朴素贝叶斯
7．4 实例加权的半监督朴素贝叶斯
7．5 实例克隆的朴素贝叶斯
7．6 判别加权的朴素贝叶斯
7．7 抽样的贝叶斯网络分类器
7．8 基于差分演化算法的贝叶斯网络分类器
7．9 代价敏感的贝叶斯网络分类器
第8章 贝叶斯网络分类器在文本分类中的应用
8．1 文本分类简介
8．1．1 文本数据的表示
8．1．2 文本分类的基本过程
8．1．3 文本分类算法综述
8．2 朴素贝叶斯文本分类器简介
8．2．1 伯努利朴素贝叶斯模型
8．2．2 多项式朴素贝叶斯模型
8．2．3 补集朴素贝叶斯模型
8．2．4 0VA模型
8．3 结构扩展的朴素贝叶斯文本分类器
8．3．1 简介
8．3．2 结构扩展的多项式朴素贝叶斯
8．4 属性选择的朴素贝叶斯文本分类器
8．4．1 简介
8．4．2 一种基于增益率的属性选择新方法
8．5 属性加权的朴素贝叶斯文本分类器
8．5．1 简介
8．5．2 一种基于相关性的属性加权方法
8．5．3 一种基于增益率的属性加权方法
8．5．4 一种基于决策树的属性加权方法
8．6 局部学习的朴素贝叶斯文本分类器
8．6．1 简介
8．6．2 局部加权的朴素贝叶斯文本分类器
8．6．3 多项式朴素贝叶斯树
8．7 实例加权的朴素贝叶斯文本分类器
8．7．1 简介
8．7．2 判别加权的朴素贝叶斯文本分类器
第9章 贝叶斯网络分类器在距离度量中的应用
9．1 距离度量简介
9．1．1 基于实例的学习
9．1．2 属性类型分类
9．1．3 名词性属性距离度量
9．2 距离度量与贝叶斯网络分类器
9．2．1 值差度量与朴素贝叶斯分类器
9．2．2 修改的Short-Fukunaga度量
9．2．3 利用贝叶斯网络分类器改进基于概率的距离度量
9．3 一依赖的值差度量
9．3．1 简介
9．3．2 一依赖的值差度量
9．4 选择性的值差度量
9．4．1 简介
9．4．2 为值差度量作属性选择
9．5 属性加权的距离度量
9．5．1 简介
9．5．2 属性加权的距离度量
9．6 局部的值差度量
9．6．1 简介
9．6．2 局部的值差度量
9．7 实例加权的值差度量
9．7．1 简介
9．7．2 实例加权的值差度量
参考文献
附录：LiSt of AbbreViationS英文缩写清单