| 摘 要 | 第1-5页 |
| Abstract | 第5-11页 |
| 第一章 引 言 | 第11-17页 |
| ·研究意义、目的及研究背景 | 第11-13页 |
| ·特征选择 | 第11-12页 |
| ·基于特征选择的集成学习 | 第12-13页 |
| ·研究内容与主要工作 | 第13-15页 |
| ·本文的主要工作 | 第14-15页 |
| ·本文创新之处 | 第15页 |
| ·论文内容编排 | 第15-17页 |
| 第二章 机器学习中的特征选择概述 | 第17-41页 |
| ·特征选择研究的历史及现状 | 第17-18页 |
| ·特征选择的基本概念及一般过程 | 第18-32页 |
| ·机器学习中特征选择的定义 | 第18-19页 |
| ·特征选择和学习算法的关系 | 第19-22页 |
| ·特征选择作为搜索问题的四要素 | 第22-32页 |
| ·典型特征选择算法介绍 | 第32-39页 |
| ·Filter类 | 第32-36页 |
| ·Wrapper类-GA-Wrapper | 第36-38页 |
| ·Filter和Wrapper组合式算法 | 第38-39页 |
| ·特征选择的主要研究方向和应注意的问题 | 第39-40页 |
| ·研究过滤式和Wrapper相结合的组合式特征选择算法 | 第39页 |
| ·研究特征选择和学习算法之间的关系 | 第39页 |
| ·非监督式学习的特征选择问题 | 第39-40页 |
| ·研究特征选择需要注意的问题 | 第40页 |
| ·本章小结 | 第40-41页 |
| 第三章 基于Relief的组合式特征选择算法 | 第41-74页 |
| ·引言 | 第41-42页 |
| ·Relief特征评估方法对手写体汉字数据集的特征评估 | 第42-46页 |
| ·手写体汉字数据库 | 第42页 |
| ·Relief对汉字横竖撇捺评估 | 第42-43页 |
| ·手写体汉字类别数C对Relief评估的影响 | 第43页 |
| ·迭代次数m对Relief评估的影响 | 第43页 |
| ·最近邻样本个数K对Relief评估的影响 | 第43-46页 |
| ·Relief在手写体汉字上的评估总结 | 第46页 |
| ·Relief-Wrapper和PCA-Relief-Wrapper算法 | 第46-51页 |
| ·Relief-Wrapper算法 | 第46-48页 |
| ·Relief-Wrapper和GA-Wrapper在手写体汉字上的实验比较 | 第48-49页 |
| ·PCA-Relief-Wrapper算法 | 第49-50页 |
| ·PCA-Relief-Wrapper和Relief-Wrapper在手写体汉字上的实验 | 第50-51页 |
| ·串联式组合特征选择算法 | 第51-61页 |
| ·Filter-Filter组合式特征选择算法ReCorre | 第51-54页 |
| ·Filter-Wrapper组合式特征选择算法ReSBSW | 第54-55页 |
| ·Relief, ReCorre和ReSBSW算法实验比较和分析 | 第55-61页 |
| ·Relief-GA-Wrapper耦合式特征选择算法 | 第61-72页 |
| ·算法提出的动机 | 第61-62页 |
| ·Relief-GA-Wrapper算法描述 | 第62-63页 |
| ·为什么选用Relief和遗传算法 | 第63-64页 |
| ·遗传算法种群初始化 | 第64-65页 |
| ·遗传算法的个体评估函数 | 第65页 |
| ·Relief-GA-Wrapper具体参数设置 | 第65-66页 |
| ·实验结果和分析 | 第66-72页 |
| ·本章小结 | 第72-74页 |
| 第四章 一种基于特征选择的适于高维数据的集成学习算法 | 第74-108页 |
| ·引言 | 第74页 |
| ·集成学习算法综述 | 第74-90页 |
| ·集成学习算法的定义 | 第74-76页 |
| ·典型的集成学习算法介绍 | 第76-81页 |
| ·结论生成方法 | 第81-82页 |
| ·集成学习的理论分析 | 第82-83页 |
| ·结论生成方法分析 | 第83-85页 |
| ·个体生成方法分析 | 第85-88页 |
| ·个体分类器间的差异度量 | 第88-90页 |
| ·Relief-GA-Wrapper的副产品-ReGAWrapperEn | 第90-91页 |
| ·基于两步式特征选择的集成学习算法ReFeatEn | 第91-106页 |
| ·算法设计思路 | 第91页 |
| ·算法具体介绍 | 第91-94页 |
| ·实验结果与分析 | 第94-106页 |
| ·本章小结 | 第106-108页 |
| 第五章 一种嵌入特征选择的Boosting集成学习算法 | 第108-124页 |
| ·引言 | 第108页 |
| ·算法设计思路 | 第108-110页 |
| ·嵌入特征选择的贝叶斯集成学习算法FeatBoostNBC | 第110-120页 |
| ·朴素贝叶斯分类器 | 第110-111页 |
| ·朴素贝叶斯分类器,特征和先验概率 | 第111-112页 |
| ·FeatBoostNBC集成学习算法 | 第112-114页 |
| ·实验结果与讨论 | 第114-120页 |
| ·嵌入特征选择的最近邻中心集成学习算法FeatBoostNearMean | 第120-123页 |
| ·最近邻中心分类器 | 第120-121页 |
| ·FeatBoostNearMean算法 | 第121-122页 |
| ·实验结果与讨论 | 第122-123页 |
| ·本章小结 | 第123-124页 |
| 结 论 | 第124-126页 |
| 参考文献 | 第126-135页 |
| 致谢及声明 | 第135-136页 |
| 附录 本文所用实验数据集意义说明 | 第136-140页 |
| 一、 手写体汉字数据集 | 第136页 |
| 二、 UCI数据集 | 第136-140页 |
| 个人简历、在学期间的研究成果及发表的论文 | 第140-141页 |
