第1章 绪论 1
1.1数据挖掘 1
1.2分类 5
1.3分类方法 6
1.4分类应用 10
第2章 支持向量机分类方法 11
2.1统计学习理论 11
2.2线性支持向量机 19
2.3非线性支持向量机 24
2.4核函数 27
2.5实现技术 29
2.6多分类技术 35
2.7支持向量机分类方法应用 39
第3章 粗糙集分类方法 45
3.1粗糙集的基本概念 46
3.2知识约简 61
3.3信息系统 68
3.4决策表与决策规则 70
3.5决策表的离散化 78
3.6粗糙集理论在分类上的应用 79
第4章 模糊集分类方法 88
4.1模糊集的概念 89
4.2模糊集的运算 92
4.3模糊集的基本定理 95
4.4模糊矩阵 99
4.5模糊关系 102
4.6模糊聚类 109
4.7基于模糊集的教学质量评价 117
第5章 贝叶斯分类方法 130
5.1贝叶斯定理 130
5.2朴素贝叶斯分类 133
5.3贝叶斯信念网 137
5.4基于朴素贝叶斯的短信息分类 142
第6章 其他分类方法 147
6.1 k近邻分类法 147
6.2线性最小平方拟合（LLSF） 152
6.3决策树分类法 153
6.4神经网络 168
6.5遗传算法 178
6.6最大熵模型 190
6.7基于投票的方法 198
第7章 基于融合技术的分类方法 201
7.1基于粗糙集和支持向量机融合的分类方法 202
7.2基于模糊集和支持向量机的分类方法 208
7.3基于粗糙集的贝叶斯分类方法 211
7.4规则抽取与遗传算法融合 212
7.5展望 213
参考文献 215