| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景与研究意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8页 |
| 1.1.2 研究意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 特征选择研究现状 | 第9-10页 |
| 1.2.2 集成分类研究现状 | 第10-11页 |
| 1.3 本文的研究内容 | 第11-12页 |
| 1.4 论文的组织结构 | 第12-13页 |
| 本章小结 | 第13-14页 |
| 第二章 文本分类概述 | 第14-26页 |
| 2.1 文本分类产生背景及发展过程 | 第14页 |
| 2.2 问题定义 | 第14-15页 |
| 2.3 数据预处理 | 第15-19页 |
| 2.3.1 文档表示 | 第15-16页 |
| 2.3.2 特征选择 | 第16-18页 |
| 2.3.3 特征抽取(Feature Extraction) | 第18-19页 |
| 2.4 常用分类方法 | 第19-23页 |
| 2.4.1 概率分类器(Probabilistic Classifier) | 第19-20页 |
| 2.4.2 决策树(Decision Tree) | 第20-21页 |
| 2.4.3 神经网络(Neural Networks) | 第21-22页 |
| 2.4.4 最近邻算法(Nearest Neighbor) | 第22页 |
| 2.4.5 支持向量机(Support Vector Machine) | 第22-23页 |
| 2.5 分类器性能评估 | 第23-25页 |
| 本章小结 | 第25-26页 |
| 第三章 集成学习相关理论 | 第26-32页 |
| 3.1 集成学习关键技术 | 第27-28页 |
| 3.1.1 子分类器生成方法 | 第27-28页 |
| 3.1.2 子分类器组合方法 | 第28页 |
| 3.2 主要的集成学习算法 | 第28-31页 |
| 3.2.1Bagging算法 | 第28-29页 |
| 3.2.2 AdaBoost算法 | 第29-30页 |
| 3.2.3 Random Forests算法 | 第30-31页 |
| 本章小结 | 第31-32页 |
| 第四章 基于粗糙集的二次特征选择方法 | 第32-45页 |
| 4.1 粗糙集属性约简相关理论 | 第32-34页 |
| 4.1.1 基本概念 | 第32-33页 |
| 4.1.2 常见的粗糙集属性约简算法 | 第33-34页 |
| 4.2 基于粗糙集的二次特征选择方法 | 第34-36页 |
| 4.3 实验结果与分析 | 第36-44页 |
| 4.3.1 实验数据及平台 | 第36-37页 |
| 4.3.2 第一步信息增益特征选择实验结果及分析 | 第37-42页 |
| 4.3.3 第二步粗糙集属性约简结果及分析 | 第42-44页 |
| 本章小结 | 第44-45页 |
| 第五章 集成分类算法改进 | 第45-60页 |
| 5.1 基于Bagging算法的改进 | 第45-48页 |
| 5.1.1 基于双重抽样的Bagging算法 | 第45-47页 |
| 5.1.2 基于错误池的Bagging算法 | 第47-48页 |
| 5.2 实验平台及关键代码分析 | 第48-52页 |
| 5.3 算法复杂度分析 | 第52-56页 |
| 5.3.1 几类集成分类算法的复杂度分析 | 第52-55页 |
| 5.3.2 复杂度实验对比 | 第55-56页 |
| 5.4 分类准确率实验结果与分析 | 第56-58页 |
| 本章小结 | 第58-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 附录 | 第67-68页 |
| 图版 | 第68页 |
