| 摘要 | 第1-8页 |
| ABSTRACT | 第8-10页 |
| 第一章 绪论 | 第10-12页 |
| ·本课题的研究背景和意义 | 第10-11页 |
| ·本文的主要研究内容及创新点 | 第11-12页 |
| ·本文的组织结构 | 第12页 |
| 第二章 集成学习的理论基础 | 第12-29页 |
| ·集成学习的基本概念 | 第12-14页 |
| ·重抽样技术及相关统计学理论 | 第14-17页 |
| ·刀切法（JackKnife） | 第14-15页 |
| ·自助法（BoostStrap） | 第15-17页 |
| ·基分类器的组合形式 | 第17-24页 |
| ·可用判别函数表达的基分类器的组合形式 | 第17-19页 |
| ·无判别函数表达式的基分类器的组合形式 | 第19页 |
| ·Bagging 集成模型 | 第19-20页 |
| ·Boosting 集成模型 | 第20-22页 |
| ·AdaBoost 集成模型 | 第22-24页 |
| ·选择性集成学习算法 | 第24-27页 |
| ·集成学习中的优势及难点 | 第27-29页 |
| ·集成学习的优势 | 第27-28页 |
| ·集成学习中的难点 | 第28-29页 |
| 第三章 针对不平衡数据集的分类学习算法研究 | 第29-53页 |
| ·类别不平衡数据集的特点及分类策略 | 第30-32页 |
| ·类别不平衡数据集的特点 | 第30-31页 |
| ·类别不平衡数据集上的分类策略 | 第31-32页 |
| ·针对类别不平衡数据集的分类评价标准 | 第32-35页 |
| ·基于类别不平衡数据集的单分类器学习算法 | 第35-42页 |
| ·SMOTE 算法 | 第35-37页 |
| ·单边选择算法（One-Sided selection） | 第37-38页 |
| ·适用于类别不平衡的 SVM 改进算法 | 第38-40页 |
| ·代价敏感学习 | 第40-41页 |
| ·Fisher 线性判别方法 | 第41-42页 |
| ·基于类别不平衡数据集的集成分类算法 | 第42-51页 |
| ·传统集成分类算法处理不平衡数据集的局限性 | 第42-43页 |
| ·基于代价敏感的集成算法 | 第43-44页 |
| ·SMOTE-Boost | 第44-45页 |
| ·ENSVM | 第45-47页 |
| ·LazyBagging | 第47-49页 |
| ·AdaOUBoost | 第49-51页 |
| ·类别不平衡分类问题中的常见问题 | 第51-53页 |
| 第四章 代价敏感学习 | 第53-58页 |
| ·代价敏感学习的概念 | 第53-54页 |
| ·基于代价敏感的主流学习算法 | 第54-58页 |
| ·代价敏感决策树 CSTree 算法 | 第54页 |
| ·代价敏感元算法---MetaCost | 第54-55页 |
| ·基于经验主义的阈值调整 ETA 算法 | 第55-57页 |
| ·实验分析及性能比对 | 第57-58页 |
| ·代价敏感学习的局限性 | 第58页 |
| 第五章 针对错分样例的 AdaBoost 改进算法 | 第58-68页 |
| ·应用背景 | 第58-59页 |
| ·传统的 AdaBoost 算法在不平衡数据集上的局限性 | 第59-60页 |
| ·集成学习在类别不平衡数据集上的改进方案 | 第60-61页 |
| ·数据层面的重抽样技术 | 第60页 |
| ·修改分类算法 | 第60页 |
| ·数据层面和算法层面的有机结合 | 第60-61页 |
| ·适用于不平衡数据集的 ILAdaboost 算法 | 第61-63页 |
| ·ILAdaboost 算法的主要思想 | 第61-62页 |
| ·ILAdaboost 的算法流程 | 第62-63页 |
| ·实验及结果分析 | 第63-65页 |
| ·实验设置 | 第63-64页 |
| ·实验结果比对及性能分析 | 第64-65页 |
| ·算法层面的改进算法 | 第65-67页 |
| ·本章小结 | 第67-68页 |
| 第六章 总结与展望 | 第68-70页 |
| ·本文内容总结 | 第68-69页 |
| ·未来的研究工作 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 攻读学位期间发表的学术论文和参与的项目 | 第73-74页 |
| 致谢 | 第74页 |
