集成Logistic和SVM的分类算法研究
| 中文摘要 | 第1-4页 |
| 英文摘要 | 第4-7页 |
| 1 绪论 | 第7-12页 |
| ·研究背景和现状 | 第7-10页 |
| ·研究背景 | 第7页 |
| ·研究现状 | 第7-10页 |
| ·研究内容和目的 | 第10页 |
| ·研究内容 | 第10页 |
| ·研究目的 | 第10页 |
| ·论文的组织结构 | 第10-12页 |
| 2 Logistic回归模型 | 第12-17页 |
| ·模型简介 | 第12页 |
| ·模型原理与推导 | 第12-14页 |
| ·Logistic函数 | 第12-13页 |
| ·Logistic回归模型 | 第13-14页 |
| ·模型检验 | 第14-16页 |
| ·似然比检验 | 第14-15页 |
| ·Wald检验 | 第15页 |
| ·拟合优度检验 | 第15-16页 |
| ·本章小结 | 第16-17页 |
| 3 支持向量机及其相关理论 | 第17-28页 |
| ·机器学习的基本理论 | 第17-18页 |
| ·机器学习方法简介 | 第17页 |
| ·经验风险最小化 | 第17-18页 |
| ·复杂性与推广能力 | 第18页 |
| ·统计学习理论 | 第18-19页 |
| ·学习过程的一致性 | 第18页 |
| ·学习性能与VC 维 | 第18-19页 |
| ·结构风险最小化 | 第19页 |
| ·支持向量机 | 第19-25页 |
| ·线性支持向量机 | 第20-22页 |
| ·非线性支持向量机 | 第22-23页 |
| ·模型参数选择 | 第23-25页 |
| ·SVM经典算法 | 第25-27页 |
| ·选块算法（Chunking） | 第25-26页 |
| ·分解算法（Decomposing） | 第26页 |
| ·序列最小最优化算法（SMO） | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 4 集成 Logistic和SVM的二分类算法 | 第28-34页 |
| ·Logistic回归和SVM | 第28-29页 |
| ·Logistic回归模型 | 第28-29页 |
| ·支持向量机(SVM) | 第29页 |
| ·集成判别分析规则 | 第29-31页 |
| ·仿真实验及结果分析 | 第31-33页 |
| ·数据来源及实验设计 | 第31页 |
| ·LIBSVM软件 | 第31-32页 |
| ·实证结果与分析 | 第32-33页 |
| ·本章小结 | 第33-34页 |
| 5 结论与展望 | 第34-35页 |
| 致谢 | 第35-36页 |
| 参考文献 | 第36-39页 |
| 附录 | 第39页 |
