分类是数据挖掘的一项重要任务，在很多领域得到广泛的应用。本书主要介绍了各种常用分类方法的相关理论，阐述了分类方法的实现过程，并介绍了分类方法的具体应用。本书可作为计算机及相关专业的科研人员、教师和学生的参考书。

分类是数据挖掘的一项重要任务，在很多领域得到广泛的应用。本书主要介绍了各种常用分类方法的相关理论，阐述了分类方法的实现过程，并介绍了分类方法的具体应用。全书共分7章，分别介绍了分类的概念和过程、支持向量机分类方法、粗糙集分类方法、模糊集分类方法、贝叶斯分类方法、k近邻分类法、线性最小平方拟合、决策树分类法、神经网络、遗传算法、最大熵模型、基于投票的方法以及基于融合技术的分类方法，分别给出了分类应用实例。

本书可作为计算机及相关专业的科研人员、教师和学生的参考书。

前言

第1章 绪论

 1．1 数据挖掘

 1．2 分类

 1．3 分类方法

 1．4 分类应用

第2章 支持向量机分类方法

 2．1 统计学习理论

 2．2 线性支持向量机

 2．3 非线性支持向量机

 2．4 核函数

 2．5 实现技术

 2．6 多分类技术

 2．7 支持向量机分类方法应用

第3章 粗糙集分类方法

 3．1 粗糙集的基本概念

 3．2 知识约简

 3．3 信息系统

 3．4 决策表与决策规则

 3．5 决策表的离散化

 3．6 粗糙集理论在分类上的应用

第4章 模糊集分类方法

 4．1 模糊集的概念

 4．2 模糊集的运算

 4．3 模糊集的基本定理

 4．4 模糊矩阵

 4．5 模糊关系

 4．6 模糊聚类

 4．7 基于模糊集的教学质量评价

第5章 贝叶斯分类方法

 5．1 贝叶斯定理

 5．2 朴素贝叶斯分类

 5．3 贝叶斯信念网

 5．4 基于朴素贝叶斯的短信息分类

第6章 其他分类方法

 6．1  k近邻分类法

 6．2 线性最小平方拟合(LLSF) 

 6．3 决策树分类法

 6．4 神经网络

 6．5 遗传算法

 6．6 最大熵模型

 6．7 基于投票的方法

第7章 基于融合技术的分类方法

 7．1 基于粗糙集和支持向量机融合的分类方法

 7．2 基于模糊集和支持向量机的分类方法

 7．3 基于粗糙集的贝叶斯分类方法

 7．4 规则抽取与遗传算法融合

 7．5 展望

参考文献