| 中文摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第一章 引 言 | 第11-15页 |
| ·机器学习概述 | 第11-12页 |
| ·机器学习问题的标准描述及主要研究问题 | 第11页 |
| ·基于代价敏感(Cost-Sensitive Learning, CSL)的分类技术 | 第11-12页 |
| ·目前研究状况 | 第12-13页 |
| ·本课题的选题意义及主要研究内容 | 第13-15页 |
| ·选题目的及意义 | 第13页 |
| ·本论文主要研究内容和贡献 | 第13-15页 |
| 第二章 分类的相关概念及决策树算法 | 第15-21页 |
| ·分类(Classification) | 第15-17页 |
| ·分类的基本概念 | 第15-16页 |
| ·分类的基本技术 | 第16-17页 |
| ·决策树算法(Decision Tree Algorithms) | 第17-21页 |
| ·决策树分类的基本思想 | 第17-18页 |
| ·决策树学习算法介绍 | 第18页 |
| ·ID3/C4.5 算法 | 第18-20页 |
| ·决策树学习算法总结 | 第20-21页 |
| 第三章 代价敏感学习及相关问题 | 第21-28页 |
| ·代价敏感度的学习（Cost-Sensitive Learning） | 第21-24页 |
| ·代价敏感学习基本概念 | 第22-23页 |
| ·目前的研究状况 | 第23-24页 |
| ·资源约束学习（Budget Learning）与主动学习（Active Learning） | 第24-28页 |
| ·资源约束问题及其应用背景 | 第24页 |
| ·处理资源约束问题相关策略 | 第24-25页 |
| ·主动学习的基本概念 | 第25-26页 |
| ·传统的主动学习方法 | 第26-27页 |
| ·扩展的主动学习方法 | 第27-28页 |
| 第四章 资源约束下的代价敏感决策树学习 | 第28-51页 |
| ·概述 | 第28-29页 |
| ·主要思想 | 第29-32页 |
| ·代价敏感学习与决策树算法相结合 | 第29-30页 |
| ·主动学习与资源约束 | 第30页 |
| ·基于代价敏感的决策树分类方法 | 第30-32页 |
| ·基本概念 | 第32-36页 |
| ·测试代价和误分类代价 | 第32-33页 |
| ·二维代价尺度 | 第33-34页 |
| ·结点类标号的判断标准 | 第34-35页 |
| ·FP 与 FN 的取值对分类结果的影响 | 第35-36页 |
| ·专家的偏好 | 第36页 |
| ·建立代价敏感的决策树实现方法 | 第36-44页 |
| ·实现方法概述 | 第36-37页 |
| ·主动学习方法选择空结点中的实例 | 第37-38页 |
| ·选择分裂属性 | 第38-42页 |
| ·用测试集进行测试 | 第42-44页 |
| ·四种不同的实验结果比较 | 第44-50页 |
| ·不同的空分支结点所占百分比对误分类代价的影响 | 第44-47页 |
| ·有无空分支策略及不同的 Budget 对误分类代价的影响 | 第47-48页 |
| ·经过空结点的实例的误分类代价的变化 | 第48-49页 |
| ·不同分布的测试代价对实验结果的影响 | 第49-50页 |
| ·小结 | 第50-51页 |
| 第五章 代价敏感决策树学习方法的进一步优化 | 第51-58页 |
| ·概述 | 第51页 |
| ·通过组合以降低测试代价 | 第51-54页 |
| ·具体策略 | 第54-55页 |
| ·实验结果与分析 | 第55-57页 |
| ·小 结 | 第57-58页 |
| 第六章 总结与未来的工作 | 第58-60页 |
| ·全文总结 | 第58-59页 |
| ·未来工作 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 读研期间发表的科研论文 | 第64-65页 |
| 致 谢 | 第65页 |
