| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题研究背景及其意义 | 第10-11页 |
| 1.2 不平衡数据分类的国内外研究现状及分析 | 第11-14页 |
| 1.2.1 面向算法层面的方法 | 第11-12页 |
| 1.2.2 面向数据层面的方法 | 第12-14页 |
| 1.3 不平衡数据分类的评价度量 | 第14-16页 |
| 1.4 论文主要研究内容 | 第16页 |
| 1.5 论文的组织结构 | 第16-18页 |
| 第2章 基于聚类的过抽样算法 | 第18-26页 |
| 2.1 聚类与过抽样技术分析 | 第18-19页 |
| 2.2 基于聚类的过抽样算法 | 第19-21页 |
| 2.2.1 目标样本权重及合成个数的确定 | 第20-21页 |
| 2.2.2 目标样本K近邻的选取和ClusteredSMOTE_Boost算法 | 第21页 |
| 2.3 实验设计与结果 | 第21-24页 |
| 2.4 本章小结 | 第24-26页 |
| 第3章 基于小类内部样本的过抽样算法 | 第26-36页 |
| 3.1 基于小类内部样本的过抽样算法 | 第26-29页 |
| 3.1.1 小类内部样本的确定 | 第26-27页 |
| 3.1.2 内部样本合成个数的确定 | 第27页 |
| 3.1.3 样本合成方法的确定 | 第27-28页 |
| 3.1.4 GR_InsideOS算法的伪代码 | 第28-29页 |
| 3.2 基于聚类的小类内部过抽样算法 | 第29-31页 |
| 3.3 实验设计与结果 | 第31-34页 |
| 3.4 本章小结 | 第34-36页 |
| 第4章 基于内部样本过抽样的多次学习算法 | 第36-46页 |
| 4.1 基于内部样本过抽样的随机K次学习算法 | 第36-37页 |
| 4.2 基于内部样本过抽样的K折交叉多次学习算法 | 第37-39页 |
| 4.3 实验设计与结果 | 第39-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第5章 论文的总结和展望 | 第46-50页 |
| 5.1 论文总结 | 第46-47页 |
| 5.2 今后工作展望 | 第47-50页 |
| 参考文献 | 第50-56页 |
| 致谢 | 第56-58页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第58页 |