| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-12页 |
| 缩略语对照表 | 第12-16页 |
| 第一章 绪论 | 第16-24页 |
| 1.1 研究背景及意义 | 第16-18页 |
| 1.2 不平衡数据分类的研究现状 | 第18-22页 |
| 1.3 本文的主要工作和章节安排 | 第22-24页 |
| 第二章 传统的不平衡数据分类方法和评价准则 | 第24-34页 |
| 2.1 引言 | 第24页 |
| 2.2 重采样算法 | 第24-26页 |
| 2.2.1 上采样 | 第24页 |
| 2.2.2 下采样 | 第24-25页 |
| 2.2.3 实验结果与分析 | 第25-26页 |
| 2.3 邻域权重K近邻算法 | 第26-28页 |
| 2.3.1 算法的原理和步骤 | 第26-27页 |
| 2.3.2 实验结果与分析 | 第27-28页 |
| 2.4 基于随机森林的不平衡特征选择算法 | 第28-30页 |
| 2.4.1 算法的原理和步骤 | 第28-29页 |
| 2.4.2 实验结果与分析 | 第29-30页 |
| 2.5 不平衡分类评价准则 | 第30-32页 |
| 2.5.1 F测度 | 第30-31页 |
| 2.5.2 几何均值 | 第31页 |
| 2.5.3 ROC曲线下面积 | 第31-32页 |
| 2.6 本章小结 | 第32-34页 |
| 第三章 基于局部均值的不平衡数据分类方法 | 第34-46页 |
| 3.1 引言 | 第34页 |
| 3.2 SMOTE算法 | 第34-36页 |
| 3.3 局部均值分类器 | 第36-38页 |
| 3.4 基于局部均值的不平衡数据分类方法 | 第38-45页 |
| 3.4.1 算法的原理和步骤 | 第38-40页 |
| 3.4.2 实验结果与分析 | 第40-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第四章 基于改进的RELIEF-F和集成学习的不平衡特征选择分类方法 | 第46-56页 |
| 4.1 引言 | 第46页 |
| 4.2 集成学习 | 第46-49页 |
| 4.3 RELIEF-F算法 | 第49-50页 |
| 4.3.1 RELIEF算法 | 第49页 |
| 4.3.2 RELIEF-F算法 | 第49-50页 |
| 4.4 基于改进的RELIEF-F和集成学习的不平衡特征选择分类方法 | 第50-55页 |
| 4.4.1 算法的原理和步骤 | 第51-53页 |
| 4.4.2 实验结果与分析 | 第53-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 全文总结 | 第56-57页 |
| 5.2 未来展望 | 第57-58页 |
| 参考文献 | 第58-64页 |
| 致谢 | 第64-66页 |
| 作者简介 | 第66-67页 |