| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第7-12页 |
| 1.1 研究意义 | 第7-9页 |
| 1.2 研究背景 | 第9-11页 |
| 1.3 论文研究主要内容 | 第11页 |
| 1.4 论文的组织与结构 | 第11-12页 |
| 2 不平衡学习的相关技术和性能评估方法 | 第12-25页 |
| 2.1 数据不平衡 | 第12页 |
| 2.2 不平衡学习的主要方法 | 第12-17页 |
| 2.2.1 数据层面 | 第13-14页 |
| 2.2.2 算法层面 | 第14-15页 |
| 2.2.3 集成层面 | 第15-17页 |
| 2.2.4 其他重要方法 | 第17页 |
| 2.3 不平衡学习的性能评估方法 | 第17-24页 |
| 2.3.1 基于混淆矩阵的方法 | 第17-20页 |
| 2.3.2 ROC曲线 | 第20-21页 |
| 2.3.3 PR曲线 | 第21-22页 |
| 2.3.4 代价曲线 | 第22-23页 |
| 2.3.5 分类器的评估方法 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 3 基于高斯混合模型的上采样算法GOS | 第25-47页 |
| 3.1 不平衡二分类问题 | 第25页 |
| 3.2 高斯混合模型 | 第25-28页 |
| 3.2.1 概述 | 第25-26页 |
| 3.2.2 GMM参数估计 | 第26-28页 |
| 3.3 其他相关技术 | 第28-33页 |
| 3.3.1 数据清洗技术Tomek links | 第28页 |
| 3.3.2 主成分分析和核主成分分析 | 第28-30页 |
| 3.3.3 支持向量机 | 第30-33页 |
| 3.4 主要思想 | 第33-37页 |
| 3.4.1 采样策略的选择 | 第33-34页 |
| 3.4.2 GOS算法 | 第34-37页 |
| 3.5 实验与分析 | 第37-46页 |
| 3.5.1 采样前后数据分布特征对比 | 第37-42页 |
| 3.5.2 UCI数据集上的实验结果 | 第42-46页 |
| 3.6 本章小结 | 第46-47页 |
| 4 GOS方法在蛋白质-ATP绑定位点预测问题上的应用 | 第47-60页 |
| 4.1 引言 | 第47-50页 |
| 4.2 特征向量提取 | 第50-53页 |
| 4.2.1 位置特异性得分矩阵 | 第50-52页 |
| 4.2.2 蛋白质二级结构 | 第52页 |
| 4.2.3 滑动窗口技术 | 第52-53页 |
| 4.3 预测模型建立 | 第53-57页 |
| 4.3.1 稀疏表示 | 第53-55页 |
| 4.3.2 预测模型的建立 | 第55-57页 |
| 4.4 实验及结果分析 | 第57-59页 |
| 4.4.1 数据集 | 第57页 |
| 4.4.2 实验结果与比较 | 第57-59页 |
| 4.5 本章小结 | 第59-60页 |
| 5 总结与展望 | 第60-62页 |
| 5.1 主要研究工作与总结 | 第60页 |
| 5.2 工作展望 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-70页 |
| 附录 | 第70页 |