| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 本文研究内容 | 第14页 |
| 1.4 本文结构 | 第14-17页 |
| 第二章 代价敏感学习与集成学习 | 第17-33页 |
| 2.1 代价敏感学习 | 第17-27页 |
| 2.1.1 代价敏感分类基本概念 | 第17-19页 |
| 2.1.2 可选度量 | 第19-21页 |
| 2.1.3 接受者操作特征曲线 | 第21-23页 |
| 2.1.4 代价敏感分类 | 第23-25页 |
| 2.1.5 常用分类方法 | 第25-27页 |
| 2.2 集成学习 | 第27-32页 |
| 2.2.1 Bagging方法 | 第28-29页 |
| 2.2.2 Boosting方法 | 第29-32页 |
| 2.2.3 集成学习的不足 | 第32页 |
| 2.3 本章小结 | 第32-33页 |
| 第三章 D-MetaCost算法 | 第33-51页 |
| 3.1 集成学习基础理论 | 第33-34页 |
| 3.1.1 PAC可学习 | 第33页 |
| 3.1.2 强可学习与弱可学习理论 | 第33-34页 |
| 3.2 MetaCost算法介绍 | 第34-37页 |
| 3.3 D-MetaCost算法基本思想 | 第37-38页 |
| 3.4 D-MetaCost算法不平衡数据重采样 | 第38-40页 |
| 3.5 D-MetaCost算法最终分类模型改进 | 第40-46页 |
| 3.5.1 D-MetaCost成员分类器要求 | 第41-43页 |
| 3.5.2 D-MetaCost成员分类器的数量 | 第43-44页 |
| 3.5.3 D-MetaCost成员分类器集成方式 | 第44-46页 |
| 3.6 D-MetaCost算法流程 | 第46-48页 |
| 3.7 本章小节 | 第48-51页 |
| 第四章 实验设计与结果 | 第51-57页 |
| 4.1 实验设计 | 第51-53页 |
| 4.2 实验数据 | 第53页 |
| 4.3 实验结果与分析 | 第53-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第五章 结论 | 第57-59页 |
| 5.1 总结 | 第57页 |
| 5.2 展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 攻读硕士学位期间发表的论文 | 第63-65页 |
| 致谢 | 第65-66页 |