| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 研究的背景与意义 | 第10-13页 |
| 1.2 研究现状 | 第13-17页 |
| 1.2.1 单标签分类研究现状 | 第13页 |
| 1.2.2 多标签分类研究现状 | 第13-16页 |
| 1.2.3 样本选择研究现状 | 第16-17页 |
| 1.3 本文的研究内容 | 第17页 |
| 1.4 本文的结构安排 | 第17-19页 |
| 第二章 多标签分类方法分析 | 第19-33页 |
| 2.1 多标签分类问题描述 | 第19页 |
| 2.2 多标签分类常用数据集 | 第19-20页 |
| 2.3 多标签分类算法评价标准 | 第20-22页 |
| 2.4 多标签分类算法 | 第22-32页 |
| 2.4.1 问题转换方法 | 第22-24页 |
| 2.4.1.1 基于标签转换方法 | 第22-23页 |
| 2.4.1.2 基于样本实例转换方法 | 第23-24页 |
| 2.4.2 算法转换方法 | 第24-32页 |
| 2.4.2.1 基于集成学习的多标签学习方法 | 第24-25页 |
| 2.4.2.2 基于概率模型的多标签学习方法 | 第25-26页 |
| 2.4.2.3 基于决策树的多标签学习方法 | 第26-28页 |
| 2.4.2.4 基于支持向量机的多标签学习方法 | 第28-29页 |
| 2.4.2.5 基于神经网络的多标签学习方法 | 第29-31页 |
| 2.4.2.6 基于KNN的多标签学习方法 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第三章 基于KNN的多标签分类 | 第33-43页 |
| 3.1 KNN算法 | 第33-36页 |
| 3.1.1 KNN算法决策规则 | 第33页 |
| 3.1.2 KNN分类步骤 | 第33-34页 |
| 3.1.3 KNN距离度量 | 第34-35页 |
| 3.1.4 KNN改进 | 第35-36页 |
| 3.2 BR-KNN算法 | 第36-38页 |
| 3.2.1 BR-KNN算法原理 | 第36页 |
| 3.2.2 扩展BR-KNN的两种算法 | 第36-37页 |
| 3.2.3 BR-KNN分类实验结果与分析 | 第37-38页 |
| 3.3 LP-KNN与RAKEL算法 | 第38-39页 |
| 3.3.1 LP-KNN算法以及分类实验结果与分析 | 第38页 |
| 3.3.2 RAKEL算法 | 第38-39页 |
| 3.4 ML-KNN算法 | 第39-42页 |
| 3.4.1 ML-KNN算法原理 | 第39-40页 |
| 3.4.2 ML-KNN算法训练和预测过程 | 第40-41页 |
| 3.4.3 ML-KNN分类实验结果对比 | 第41-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第四章 融合最近邻的ML-KNN多标签分类改进算法 | 第43-54页 |
| 4.1 最近邻分类 | 第43页 |
| 4.2 最近邻分类的错误率分析 | 第43-44页 |
| 4.3 融合最近邻的改进分类算法IML-KNN | 第44-51页 |
| 4.3.1 改进分类算法IML-KNN描述 | 第44-46页 |
| 4.3.2 IML-KNN分类实验对比 | 第46-49页 |
| 4.3.3 IML-KNN分类实验结果分析 | 第49-50页 |
| 4.3.4 k值的影响 | 第50-51页 |
| 4.3.5 算法复杂度分析 | 第51页 |
| 4.4 IMLLA算法简介 | 第51-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第五章 基于伪最近邻和罚函数的多标签分类改进算法 | 第54-65页 |
| 5.1 伪最近邻 | 第54-57页 |
| 5.1.1 伪最近邻分类原理 | 第54-55页 |
| 5.1.2 基于指数逆距离加权的伪最近邻分类实验与分析 | 第55-57页 |
| 5.2 罚函数 | 第57页 |
| 5.3 基于伪最近邻和罚函数的多标签分类改进算法 | 第57-58页 |
| 5.4 改进算法实验结果与分析 | 第58-64页 |
| 5.4.1 改进算法实验结果 | 第58-62页 |
| 5.4.2 实验结果分析与相关讨论 | 第62-64页 |
| 5.5 本章小结 | 第64-65页 |
| 第六章 总结和展望 | 第65-67页 |
| 6.1 总结 | 第65-66页 |
| 6.2 展望 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-71页 |
| 攻读硕士学位期间取得的成果 | 第71-72页 |
