基于混淆矩阵的分类器选择集成方法研究
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 多分类器集成方法研究现状 | 第11-16页 |
| 1.2.1 国外研究现状 | 第11-15页 |
| 1.2.2 国内研究现状 | 第15-16页 |
| 1.3 本文的主要研究内容与工作 | 第16-18页 |
| 2 集成学习和差异性度量分析 | 第18-30页 |
| 2.1 集成学习的概念 | 第18页 |
| 2.2 集成学习的主要技术 | 第18-22页 |
| 2.2.1 Bagging算法 | 第19-21页 |
| 2.2.2 Boosting方法 | 第21-22页 |
| 2.3 多分类器集成方法 | 第22-24页 |
| 2.3.1 乘积规则 | 第23-24页 |
| 2.3.2 求和规则 | 第24页 |
| 2.3.3 最大值规则 | 第24页 |
| 2.3.4 最小值规则 | 第24页 |
| 2.3.5 中值规则 | 第24页 |
| 2.3.6 多数投票规则 | 第24页 |
| 2.4 分类器差异性度量 | 第24-29页 |
| 2.4.1 差异性度量 | 第24-26页 |
| 2.4.2 成对差异性度量 | 第26-27页 |
| 2.4.3 非成对差异性度量 | 第27-29页 |
| 2.5 本章小结 | 第29-30页 |
| 3 基于混淆矩阵的多分类器选择方法 | 第30-36页 |
| 3.1 混淆矩阵 | 第30-31页 |
| 3.2 k-means算法 | 第31-32页 |
| 3.3 KNN分类器 | 第32-33页 |
| 3.4 基于混淆矩阵的多分类器选择方法 | 第33-34页 |
| 3.5 在Bagging中的应用 | 第34-35页 |
| 3.6 本章小结 | 第35-36页 |
| 4 实验及结果分析 | 第36-44页 |
| 4.1 实验数据 | 第36页 |
| 4.2 实验过程 | 第36-37页 |
| 4.3 实验结果及分析 | 第37-42页 |
| 4.4 本章小结 | 第42-44页 |
| 5 总结与展望 | 第44-46页 |
| 5.1 总结 | 第44页 |
| 5.2 研究展望 | 第44-46页 |
| 参考文献 | 第46-52页 |
| 作者简介 | 第52-54页 |
| 学位论文数据集 | 第54页 |
