| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 AdaBoost算法的提出 | 第10页 |
| 1.3 理论意义和应用价值 | 第10-11页 |
| 1.4 国内外研究现状 | 第11-14页 |
| 第2章 理论基础 | 第14-19页 |
| 2.1 分类的相关内容 | 第14-16页 |
| 2.1.1 分类的概念 | 第14-15页 |
| 2.1.2 分类的步骤 | 第15页 |
| 2.1.3 流行分类算法简介 | 第15-16页 |
| 2.2 分类器概述 | 第16-17页 |
| 2.2.1 分类器的建立 | 第16页 |
| 2.2.2 分类器的使用 | 第16-17页 |
| 2.3 分类算法的评价标准 | 第17-19页 |
| 第3章 经典AdaBoost算法 | 第19-30页 |
| 3.1 集成学习 | 第19-20页 |
| 3.1.1 集成学习的产生 | 第19页 |
| 3.1.2 集成学习思想的表达 | 第19-20页 |
| 3.2 Boosting基本思想 | 第20-23页 |
| 3.2.1 Boosting算法的提出 | 第20-21页 |
| 3.2.2 Boosting算法的实现 | 第21-23页 |
| 3.3 经典AdaBoost算法基本思想 | 第23-30页 |
| 3.3.1 AdaBoost算法的运算流程 | 第23-25页 |
| 3.3.2 AdaBoost算法对Boosting的改进 | 第25-27页 |
| 3.3.3 图例说明AdaBoost算法 | 第27-30页 |
| 第4章 多规则AdaBoost算法 | 第30-36页 |
| 4.1 最优规则分类法 | 第30-33页 |
| 4.1.1 以最优特征阈值为分类规则 | 第30-31页 |
| 4.1.2 最优规则弱分类器的构建举例 | 第31-33页 |
| 4.2 多规则分类法 | 第33-36页 |
| 4.2.1 多规则AdaBoost算法流程 | 第33-35页 |
| 4.2.2 最优规则分类和多规则分类比较分析 | 第35-36页 |
| 第5章 实验结果比较和分析 | 第36-41页 |
| 5.1 MATLAB软件简介 | 第36页 |
| 5.2 实验数据 | 第36-38页 |
| 5.2.1 SPECTF数据集 | 第37页 |
| 5.2.2 Ionosphere数据集 | 第37页 |
| 5.2.3 Wine Quality数据集 | 第37-38页 |
| 5.3 实验结果及分析 | 第38-41页 |
| 5.3.1 正确率分析 | 第38页 |
| 5.3.2 收敛性分析 | 第38-41页 |
| 结论 | 第41-42页 |
| 参考文献 | 第42-45页 |
| 致谢 | 第45页 |