| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第9-12页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 研究内容 | 第10-11页 |
| 1.4 论文结构 | 第11-12页 |
| 第2章 相关工作介绍 | 第12-24页 |
| 2.1 多类分类与多标签分类 | 第12-13页 |
| 2.2 关联规则 | 第13-15页 |
| 2.2.1 CBA算法 | 第13-14页 |
| 2.2.2 CMAR算法 | 第14页 |
| 2.2.3 S-ML-kNN算法 | 第14-15页 |
| 2.3 支持向量机 | 第15-18页 |
| 2.3.1 支持向量机理论 | 第15页 |
| 2.3.2 支持向量机的核函数 | 第15-16页 |
| 2.3.3 核函数的选择与优化 | 第16-18页 |
| 2.4 AdaBoost | 第18-19页 |
| 2.4.1 Boosting算法 | 第18页 |
| 2.4.2 算法流程 | 第18-19页 |
| 2.5 AdaBoost与SVM的组合分类器 | 第19-21页 |
| 2.6 K中心点算法 | 第21-23页 |
| 2.7 本章小结 | 第23-24页 |
| 第3章 基于关联规则的多标签分类模型LC-ASVM | 第24-39页 |
| 3.1 LC-ASVM模型 | 第24-35页 |
| 3.1.1 Adaboost-SVM多标签分类策略 | 第25-26页 |
| 3.1.2 特征关联分析 | 第26-29页 |
| 3.1.3 多标签SVM置信度 | 第29-33页 |
| 3.1.4 构建LC-ASVM模型 | 第33-35页 |
| 3.2 LC-ASVM模型的性能优化 | 第35-37页 |
| 3.3 本章小结 | 第37-39页 |
| 第4章 实验验证 | 第39-56页 |
| 4.1 实验准备 | 第39-40页 |
| 4.1.1 实验环境 | 第39页 |
| 4.1.2 实验数据 | 第39-40页 |
| 4.2 分类器性能评估方法 | 第40-45页 |
| 4.2.1 传统分类评估方法 | 第41-42页 |
| 4.2.2 ROC曲线与AUC计算 | 第42-44页 |
| 4.2.3 结合效率的AUC评估方法设计 | 第44-45页 |
| 4.3 参数优化 | 第45-47页 |
| 4.3.1 SVM核函数选择 | 第45-46页 |
| 4.3.2 分类类别数选取 | 第46页 |
| 4.3.3 子分类器个数 | 第46-47页 |
| 4.4 结果分析 | 第47-55页 |
| 4.4.1 集成学习分类模型效果验证 | 第47-48页 |
| 4.4.2 关联规则分类模型效果验证 | 第48-52页 |
| 4.4.3 性能优化验证 | 第52-55页 |
| 4.5 本章小结 | 第55-56页 |
| 结论 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 致谢 | 第60页 |