不平衡数据分类研究及在肿瘤识别中的应用
| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-9页 |
| 目次 | 第9-11页 |
| 图清单 | 第11-12页 |
| 表清单 | 第12-13页 |
| 1 绪论 | 第13-19页 |
| ·研究背景 | 第13-14页 |
| ·研究现状 | 第14-16页 |
| ·面临的挑战和研究意义 | 第16-17页 |
| ·创新点 | 第17页 |
| ·各章内容简介 | 第17-19页 |
| 2 极限学习机的理论及研究现状 | 第19-27页 |
| ·单隐层神经网络 | 第19-23页 |
| ·极限学习机简介 | 第23-24页 |
| ·极限学习机的研究现状 | 第24-27页 |
| 3 不平衡数据的代价敏感学习与抽样算法的比较 | 第27-37页 |
| ·引言 | 第27页 |
| ·代价敏感学习 | 第27-29页 |
| ·代价敏感学习 | 第27-28页 |
| ·不平衡数据学习与代价敏感学习之间的关系 | 第28页 |
| ·代价敏感支持向量机 | 第28-29页 |
| ·抽样 | 第29页 |
| ·研究现状 | 第29页 |
| ·实验与结果分析 | 第29-35页 |
| ·数据集 | 第29-30页 |
| ·实验设置 | 第30页 |
| ·实验结果与分析 | 第30-35页 |
| ·小结 | 第35-37页 |
| 4 基于特征选择的过抽样算法 | 第37-50页 |
| ·引言 | 第37页 |
| ·基于遗传算法的特征选择方法 | 第37-42页 |
| ·遗传算法简介 | 第37-38页 |
| ·编码与适应度函数 | 第38-39页 |
| ·选择交叉变异 | 第39-40页 |
| ·GA-Selection | 第40-42页 |
| ·过抽样 | 第42页 |
| ·算法描述 | 第42-45页 |
| ·实验与结果分析 | 第45-48页 |
| ·不平衡数据集分类的评价标准 | 第45页 |
| ·数据集 | 第45-46页 |
| ·实验设置和实验结果 | 第46-48页 |
| ·实验分析 | 第48页 |
| ·小结 | 第48-50页 |
| 5 极限学习机集成分类算法 | 第50-57页 |
| ·引言 | 第50-51页 |
| ·数据集分割 | 第51页 |
| ·DS-E-ELM 算法 | 第51-53页 |
| ·实验与分析 | 第53-57页 |
| ·数据集 | 第53页 |
| ·实验设置与实验结果 | 第53-55页 |
| ·实验分析 | 第55-56页 |
| ·小结 | 第56-57页 |
| 6 结论 | 第57-59页 |
| ·研究总结 | 第57-58页 |
| ·下一步需要开展的工作 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 作者简历 | 第64页 |
