| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 研究背景 | 第8页 |
| 1.2 分类算法综述 | 第8-10页 |
| 1.2.1 贝叶斯分类 | 第9页 |
| 1.2.2 支持向量机 | 第9页 |
| 1.2.3 神经网络 | 第9-10页 |
| 1.2.4 其他分类方法 | 第10页 |
| 1.3 本文主要工作 | 第10页 |
| 1.4 本文内容安排 | 第10-12页 |
| 第2章 最近邻算法相关概述 | 第12-16页 |
| 2.1 引言 | 第12页 |
| 2.2 kNN改进算法介绍 | 第12-13页 |
| 2.2.1 k值固定情形的kNN改进算法 | 第12-13页 |
| 2.2.2 k值不固定情形的kNN改进算法 | 第13页 |
| 2.3 基于稀疏表示的分类 | 第13-14页 |
| 2.3.1 稀疏表示 | 第13-14页 |
| 2.3.2 稀疏表示分类过程 | 第14页 |
| 2.4 局部保持投影和决策树归纳 | 第14-15页 |
| 2.5 本章小结 | 第15-16页 |
| 第3章 基于稀疏表示的改进算法 | 第16-29页 |
| 3.1 引言 | 第16页 |
| 3.2 相关性矩阵kNN改进方法(CM-kNN算法) | 第16-19页 |
| 3.3 CM-kNN算法 | 第19-20页 |
| 3.4 实验部分 | 第20-27页 |
| 3.4.1 实验设置 | 第20-21页 |
| 3.4.2 分类实验部分 | 第21-23页 |
| 3.4.3 回归/缺失值填充实验部分 | 第23-27页 |
| 3.4.4 实验总结 | 第27页 |
| 3.5 本章小结 | 第27-29页 |
| 第4章 基于决策树的改进算法：kTree算法和k~*Tree算法 | 第29-37页 |
| 4.1 引言 | 第29-31页 |
| 4.2 基于决策树的改进算法：kTree算法 | 第31-34页 |
| 4.2.1 kTree算法描述 | 第31-34页 |
| 4.2.2 算法复杂度分析比较 | 第34页 |
| 4.3 基于k-决策树的改进算法：k~*Tree算法 | 第34-36页 |
| 4.3.1 算法描述部分 | 第34-36页 |
| 4.3.2 算法复杂度分析比较 | 第36页 |
| 4.4 本章小结 | 第36-37页 |
| 第5章 kTree算法和k~*Tree算法实验分析 | 第37-43页 |
| 5.1 实验设置 | 第37页 |
| 5.2 比较算法 | 第37-38页 |
| 5.3 不同样本数目的实验部分 | 第38-40页 |
| 5.4 不同特征数目的实验部分 | 第40-42页 |
| 5.5 本章小结 | 第42-43页 |
| 第6章 全文总结与展望 | 第43-45页 |
| 6.1 全文总结 | 第43页 |
| 6.2 工作展望 | 第43-45页 |
| 参考文献 | 第45-50页 |
| 读研期间科研成果 | 第50页 |
| 读研期间获奖情况 | 第50-51页 |
| 读研期间项目情况 | 第51-52页 |
| 致谢 | 第52-53页 |
