| 摘要 | 第1-4页 |
| ABSTRACT | 第4-6页 |
| 目录 | 第6-9页 |
| 第一章 引言 | 第9-13页 |
| 1．1 数据挖掘和数据分类 | 第9-10页 |
| 1．2 数据分类模型 | 第10-11页 |
| 1．3 本文研究背景及意义 | 第11-12页 |
| 1．4 本文研究内容及组织 | 第12-13页 |
| 第二章 稀有类分类 | 第13-21页 |
| 2．1 稀有类问题概述 | 第13-14页 |
| 2．2 稀有类分类算法评估标准 | 第14-17页 |
| 2．3 现有稀有类分类方法 | 第17-20页 |
| 2．3．1 不平衡数据集的处理 | 第17页 |
| 2．3．2 使用PNrule方法分类稀有类 | 第17-19页 |
| 2．3．3 使用EPRC算法分类稀有类 | 第19-20页 |
| 2．3．4 集成学习方法的应用 | 第20页 |
| 2．4 小结 | 第20-21页 |
| 第三章 集成学习方法 | 第21-26页 |
| 3．1 Boosting | 第21-22页 |
| 3．2 Bagging | 第22-23页 |
| 3．3 Bagging与Boosting方法比较 | 第23-25页 |
| 3．4 小结 | 第25-26页 |
| 第四章 利用eEP分类稀有类 | 第26-41页 |
| 4．1 EP及基于EP的分类算法 | 第26-32页 |
| 4．1．1 EP基本概念 | 第26-28页 |
| 4．1．2 基于EP的分类算法 | 第28-32页 |
| 4．1．2．1 CAEP | 第28-30页 |
| 4．1．2．2 JEP-Classifier | 第30页 |
| 4．1．2．3 DeEPs | 第30-31页 |
| 4．1．2．4 其它算法 | 第31-32页 |
| 4．2 利用eEP分类稀有类 | 第32-38页 |
| 4．2．1 eEP的优点 | 第32-33页 |
| 4．2．2 eEP的挖掘 | 第33-35页 |
| 4．2．3 eEPRC算法的基本思想 | 第35-37页 |
| 4．2．4 eEPRC分类器的构造 | 第37-38页 |
| 4．3 eEPRC算法性能分析 | 第38-40页 |
| 4．3．1 稀有类的召回率和精度 | 第39页 |
| 4．3．2 分类准确率 | 第39-40页 |
| 4．4 小结 | 第40-41页 |
| 第五章 Bagging基于eEP的分类器分类稀有类 | 第41-51页 |
| 5．1 利用Bagging技术分类稀有类 | 第41-45页 |
| 5．1．1 VeEPRC集成分类器的构造 | 第41-42页 |
| 5．1．2 VeEPRC集成分类器的表决方式 | 第42-44页 |
| 5．1．3 VeEPRC算法描述 | 第44-45页 |
| 5．2 应用分组自助抽样分类稀有类 | 第45-47页 |
| 5．2．1 分组自助抽样 | 第45-46页 |
| 5．2．2 BeEPRC算法描述 | 第46-47页 |
| 5．3 调整投票策略分类稀有类 | 第47-50页 |
| 5．3．1 以分类准确率作为权值进行加权投票 | 第47-49页 |
| 5．3．2 以稀有类分类的F-度量值作为权值进行加权投票 | 第49-50页 |
| 5．4 小结 | 第50-51页 |
| 第六章 实验结果及相关分析 | 第51-62页 |
| 6．1 基分类器个数的选取对分类性能的影响 | 第51-52页 |
| 6．2 加大稀有类样本抽样比例对BeEPRC算法性能的影响 | 第52-54页 |
| 6．3 BeEPRC集成分类器的两种加权投票方案分类稀有类性能分析 | 第54-57页 |
| 6．4 普通投票与加权投票分类稀有类性能分析 | 第57页 |
| 6．5 eEPRC、VeEPRC及BeEPRCF实验结果对比分析 | 第57-59页 |
| 6．6 本文算法与其它分类算法的比较 | 第59-61页 |
| 6．6．1 BeEPRCF与EPRC稀有类分类算法的比较 | 第59-60页 |
| 6．6．2 BeEPRCF与其它经典算法比较 | 第60-61页 |
| 6．7 小结 | 第61-62页 |
| 第七章 结束语 | 第62-64页 |
| 7．1 全文总结 | 第62页 |
| 7．2 工作展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-69页 |
| 附录: 攻读硕士学位期间发表学术论文 | 第69页 |
