第1章　犯罪危險性評估的基本理論和發(fā)展

1.1　犯罪危險性評估

1.2　實施危險性評估的目的和意義

1.3　犯罪危險性評估工具的發(fā)展階段

1.4　國內(nèi)外研究現(xiàn)狀

1.5　未成年人犯罪風險評估的必要性

第2章　未成年人犯罪風險評估的基本流程

2.1　基于數(shù)據(jù)分析技術(shù)的犯罪危險性評估流程框架

2.2　數(shù)據(jù)采集

2.3　數(shù)據(jù)清洗

2.4　數(shù)據(jù)抽取及征提取

2.5　數(shù)據(jù)分析及評判算法

第3章　原始數(shù)據(jù)資料的選擇與整理

3.1　數(shù)據(jù)集的選擇

3.2　原始數(shù)據(jù)資料的描述

3.3　組間數(shù)據(jù)差異檢驗

第4章　可靠性及有效性驗證方法

4.1　可靠性驗證方法

4.2　有效性驗證方法

第5章　邏輯回歸分析

5.1　邏輯回歸的相關(guān)定義

5.2　二元邏輯回歸模型構(gòu)建步驟

5.3　邏輯回歸的統(tǒng)計檢驗

5.4　回歸系數(shù)和優(yōu)勢比

5.5　邏輯回歸的應(yīng)用

5.6　多項式邏輯回歸

第6章　生存分析

6.1　生存分析基礎(chǔ)概述

6.2　非參數(shù)估計法

6.3　半?yún)��?shù)模型

6.4　生存分析法算法實施綜合應(yīng)用實例

第7章　貝葉斯分類器

7.1　貝葉斯的基礎(chǔ)原理

7.2　樸素貝葉斯

7.3　半樸素貝葉斯

7.4　貝葉斯決策理論

第8章　決策樹

8.1　決策樹的基本理論

8.2　屬性選擇方法

8.3　CART算法

8.4　決策樹剪枝策略

8.5　CHAID算法

第9章　集成學習

9.1　集成學習

9.2　隨機森林

9.3　Adaboost算法

第10章　聚類分析和度量學習

10.1　K-Means聚類算法

10.2　K最近鄰法

第11章　人工神經(jīng)網(wǎng)絡(luò)

11.1　人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)理論

11.2　BP神經(jīng)網(wǎng)絡(luò)

11.3　自組織映射神經(jīng)網(wǎng)絡(luò)

參考文獻