| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究的背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 高维不平衡数据的研究现状 | 第10-12页 |
| 1.2.2 随机森林算法在高维不平衡数据中的研究现状 | 第12-13页 |
| 1.3 本文主要研究工作 | 第13-14页 |
| 1.4 本文组织结构 | 第14-15页 |
| 第2章 论文的相关基础知识 | 第15-23页 |
| 2.1 数据平衡化方法 | 第15-17页 |
| 2.1.1 欠采样方法 | 第15-16页 |
| 2.1.2 过采样方法 | 第16-17页 |
| 2.2 代价敏感方法 | 第17-18页 |
| 2.3 随机森林算法 | 第18-22页 |
| 2.3.1 随机森林基本理论 | 第18-20页 |
| 2.3.2 随机森林的模型选择 | 第20-21页 |
| 2.3.3 随机森林的模型选择的讨论 | 第21-22页 |
| 2.4 本章总结 | 第22-23页 |
| 第3章 面向高维不平衡数据的特征子集选择 | 第23-34页 |
| 3.1 特征的相关性度量 | 第23-24页 |
| 3.2 特征选择 | 第24-26页 |
| 3.2.1 基于相关性的特征选择 | 第24-25页 |
| 3.2.2 基于特征重要性的特征选择 | 第25-26页 |
| 3.3 关于高维不平衡数据的特征选取方法 | 第26-33页 |
| 3.3.1 欠取样高维不平衡数据的特征选择 | 第27-30页 |
| 3.3.2 过采样高维不平衡数据的特征选择 | 第30-32页 |
| 3.3.3 高维不平衡数据的特征选择总结 | 第32-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第4章 面向高维不平衡数据的随机森林模型选择 | 第34-42页 |
| 4.1 决策树模型选择的基本原则 | 第34-35页 |
| 4.2 类别不平衡条件下的模型选择方案 | 第35-41页 |
| 4.2.1 基于高维不平衡数据的Bagging-RF算法 | 第35-37页 |
| 4.2.2 基于高维不平衡数据的W-RF算法 | 第37-40页 |
| 4.2.3 基于高维不平衡数据的改进随机森林算法的总结 | 第40-41页 |
| 4.3 本章小结 | 第41-42页 |
| 第5章 实验结果与分析 | 第42-57页 |
| 5.1 分类器性能评价指标 | 第42-45页 |
| 5.2 试验数据的来源与说明 | 第45-46页 |
| 5.3 实验系统的架构设计与搭建 | 第46-47页 |
| 5.4 特征子集选择的实验结果 | 第47-51页 |
| 5.4.1 实验结果 | 第47-51页 |
| 5.4.2 实验结果分析 | 第51页 |
| 5.5 模型改进方案的实验结果 | 第51-56页 |
| 5.5.1 实验结果 | 第51-55页 |
| 5.5.2 实验结果分析 | 第55-56页 |
| 5.6 本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 总结 | 第57-58页 |
| 6.2 展望 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 致谢 | 第64-65页 |
| 攻读硕士期间完成的论文情况 | 第65-66页 |
| 在读期间参加的主要科研项目 | 第66页 |
