| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 本文的工作与安排 | 第11-13页 |
| 第二章 相关工作 | 第13-26页 |
| 2.1 二分类学习的概述 | 第13-15页 |
| 2.2 二分类的度量准则 | 第15-19页 |
| 2.2.1 传统二分类的度量准则 | 第15-17页 |
| 2.2.2 不平衡二分类的度量准则 | 第17-19页 |
| 2.3 面向不平衡二分类的改进算法 | 第19-21页 |
| 2.4 稀疏模型概述 | 第21-24页 |
| 2.5 面向不平衡准则的稀疏模型 | 第24-25页 |
| 2.6 本章小结 | 第25-26页 |
| 第三章 基于割平面法的直接优化QM稀疏模型构造算法 | 第26-37页 |
| 3.1 算法的框架和目标函数 | 第26-27页 |
| 3.2 基于割平面算法的优化求解 | 第27-32页 |
| 3.2.1 割平面算法的基本思想 | 第27-31页 |
| 3.2.2 算法的优化求解 | 第31-32页 |
| 3.3 不平衡数据集上的实验 | 第32-36页 |
| 3.3.1 实验数据集及比较算法 | 第32-33页 |
| 3.3.2 算法参数对实验性能的影响 | 第33-34页 |
| 3.3.3 和其他算法的比较 | 第34-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 一种具有最优收敛速度的面向伪线性准则的稀疏随机模型构造算法 | 第37-53页 |
| 4.1 伪线性准则及特点 | 第37-38页 |
| 4.2 面向伪线性准则的稀疏随机算法 | 第38-42页 |
| 4.2.1 算法的框架 | 第38-39页 |
| 4.2.2 算法的内部优化 | 第39-42页 |
| 4.3 算法的复杂度分析 | 第42-48页 |
| 4.4 基于大规模数据集的实验 | 第48-52页 |
| 4.4.1 算法性能的比较与分析 | 第49-50页 |
| 4.4.2 算法的收敛性 | 第50-51页 |
| 4.4.3 算法稀疏度的比较与分析 | 第51-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第五章 总结与展望 | 第53-55页 |
| 5.1 论文总结 | 第53页 |
| 5.2 未来工作的展望 | 第53-55页 |
| 参考文献 | 第55-61页 |
| 附录A:图索引 | 第61-62页 |
| 附录B:表索引 | 第62-63页 |
| 致谢 | 第63-65页 |
| 攻读硕士学位期间发表的学术论文 | 第65-66页 |
| 攻读硕士学位期间参加的科研项目 | 第66页 |