| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-16页 |
| ·本课题的研究背景和意义 | 第8-9页 |
| ·国内外研究现状 | 第9-12页 |
| ·本文的主要研究内容 | 第12-13页 |
| ·本文的组织结构 | 第13-16页 |
| 第二章 集成学习的基本理论 | 第16-28页 |
| ·集成学习简介 | 第16-17页 |
| ·集成学习算法的设计 | 第17-19页 |
| ·基学习器的生成 | 第17-18页 |
| ·基学习器的选择 | 第18-19页 |
| ·基学习器的组合 | 第19页 |
| ·常用的集成模型 | 第19-24页 |
| ·常用于集成方法中的重抽样技术 | 第20-21页 |
| ·Bagging 集成模型 | 第21-22页 |
| ·AdaBoost 集成模型 | 第22-24页 |
| ·集成学习中的优势 | 第24页 |
| ·选择性集成学习方法 | 第24-26页 |
| ·本章小结 | 第26-28页 |
| 第三章 基于非平衡数据集的分类算法的研究 | 第28-44页 |
| ·非平衡数据集的特点及分类策略 | 第28-29页 |
| ·基于非平衡数据集的单一分类器学习方法 | 第29-36页 |
| ·重抽样技术 | 第29-31页 |
| ·代价敏感学习 | 第31-32页 |
| ·特征选择方法 | 第32页 |
| ·单类学习方法 | 第32-33页 |
| ·核方法 | 第33-36页 |
| ·基于非平衡数据集的集成学习方法研究 | 第36-40页 |
| ·传统集成分类算法处理非平衡数据集的局限性 | 第36-37页 |
| ·基于代价敏感的集成算法 | 第37-40页 |
| ·基于非平衡数据集的评估度量方法 | 第40-42页 |
| ·Accuracy | 第41页 |
| ·F-measure | 第41-42页 |
| ·G-means | 第42页 |
| ·ROC 曲线 | 第42页 |
| ·本章小结 | 第42-44页 |
| 第四章 基于 KSMOTEBoostSVM 集成方案一 | 第44-52页 |
| ·方案一 | 第45-47页 |
| ·实验结果与分析 | 第47-50页 |
| ·实验数据 | 第47-49页 |
| ·基于不同集成算法的实验 | 第49-50页 |
| ·实验结论 | 第50页 |
| ·本章小结 | 第50-52页 |
| 第五章 基于 KSMOTEBoostSVM 集成方案二 | 第52-60页 |
| ·方案二 | 第52-53页 |
| ·实验结果与分析 | 第53-58页 |
| ·实验数据 | 第53-54页 |
| ·基于不同集成算法的实验 | 第54-56页 |
| ·实验结论 | 第56页 |
| ·方案一与方案二的对比实验 | 第56-57页 |
| ·实验结论 | 第57-58页 |
| ·实验结论 | 第58页 |
| ·本章小结 | 第58-60页 |
| 第六章 总结与展望 | 第60-62页 |
| ·总结 | 第60页 |
| ·展望 | 第60-62页 |
| 致谢 | 第62-64页 |
| 参考文献 | 第64-69页 |