摘要 | 第1-7页 |
Abstract | 第7-12页 |
第一章 绪论 | 第12-30页 |
·集成学习概述 | 第12-17页 |
·集成学习及其思想渊源 | 第12-13页 |
·集成学习的基础工作和发展历史 | 第13-16页 |
·集成学习的有效原因和条件 | 第16-17页 |
·模式分类器的集成 | 第17-24页 |
·基分类器的产生方式 | 第18-21页 |
·分类器集成的构造方式 | 第21页 |
·分类器分类结果的合成方式 | 第21-24页 |
·集成学习的学习方式 | 第24-25页 |
·集成学习评价 | 第25-26页 |
·分析方法 | 第25页 |
·算法评价 | 第25-26页 |
·论文主要工作和组织结构 | 第26-29页 |
·论文创新点 | 第29-30页 |
第二章 集成误差分析与矢量标签 | 第30-48页 |
·引言 | 第30页 |
·集成学习投票法和平均法分析 | 第30-40页 |
·投票法和平均法的比较 | 第30页 |
·集成误差分析 | 第30-35页 |
·分类器性能对集成的影响 | 第35-40页 |
·矢量标签设计 | 第40-43页 |
·多数投票法与平均法的一致 | 第43-45页 |
·本章小结 | 第45-48页 |
第三章 快速选择性集成 | 第48-58页 |
·引言 | 第48页 |
·基于"删差"和差异度修剪Bagging集成 | 第48-51页 |
·选择性集成的"删差"方法 | 第48-49页 |
·删除最差个体学习器修剪Bagging算法 | 第49-50页 |
·基于"删差"和差异度修剪Bagging集成算法 | 第50-51页 |
·层次修剪加速选择性集成 | 第51-53页 |
·层次修剪加速选择性集成算法 | 第51-52页 |
·算法时间复杂度分析和并行运算分析 | 第52-53页 |
·实验分析 | 第53-56页 |
·学习性能和修剪性能 | 第53-54页 |
·不同规模和不同学习能力基学习器的性能比较 | 第54-55页 |
·GASEN、Bagging和层次修剪算法对比试验 | 第55-56页 |
·本章小结 | 第56-58页 |
第四章 分类噪声检测 | 第58-82页 |
·引言 | 第58页 |
·数据集设计 | 第58-59页 |
·基于Cascade使用剪枝Bagging探测噪声 | 第59-65页 |
·基于Boosting和聚类来修剪Bagging集成 | 第59-60页 |
·噪声探测分析 | 第60-63页 |
·试验与分析 | 第63-65页 |
·小结 | 第65页 |
·伪噪声与快速AdaBoost算法 | 第65-76页 |
·Boosting检测噪声能力分析 | 第65-68页 |
·基于聚类的AdaBoost快速算法 | 第68-71页 |
·弱Boosting算法 | 第71-73页 |
·基于聚类更新Boosting算法实现快速噪声检测和剔除 | 第73-76页 |
·基于Boosting和K-NN的噪声检测 | 第76-79页 |
·数据集噪声 | 第76-77页 |
·基于Boosting和K-NN的Cascade噪声检测 | 第77-78页 |
·试验与分析 | 第78-79页 |
·本章小结 | 第79-82页 |
第五章 基于聚类分割和ACS采样的集成学习 | 第82-98页 |
·引言 | 第82页 |
·分而治之(Divide and Conquer)与边界拼贴 | 第82-87页 |
·Bootstrap sampling与Adapative clustering sampling(ACS) | 第87-90页 |
·置信估计与基于矢量坐标的学习 | 第90-91页 |
·使用聚类分割模型空间 | 第91-93页 |
·ACS-Randomization | 第93-96页 |
·定位{x_1}与标签设计 | 第93页 |
·算法设计 | 第93-94页 |
·试验设计 | 第94-96页 |
·本章小结 | 第96-98页 |
第六章 集成增量追踪 | 第98-109页 |
·引言 | 第98-99页 |
·集成增量追踪 | 第99-100页 |
·基于矢量标签和快速选择性集成的增量追踪 | 第100-104页 |
·特征选择与弱分类器 | 第104-105页 |
·算法加速与噪声剔除 | 第105-106页 |
·试验 | 第106-107页 |
·本章小结 | 第107-109页 |
结束语 | 第109-111页 |
致谢 | 第111-112页 |
参考文献 | 第112-120页 |
附录 | 第120页 |