| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第8-17页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-14页 |
| 1.2.1 代价敏感学习研究现状 | 第9-12页 |
| 1.2.2 支持向量机快速求解算法研究现状 | 第12-13页 |
| 1.2.3 增量式算法研究现状 | 第13-14页 |
| 1.3 论文主要研究内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 第二章 代价敏感学习算法比较 | 第17-38页 |
| 2.1 引言 | 第17-18页 |
| 2.2 代价敏感学习的基础理论 | 第18-20页 |
| 2.3 代价敏感学习中的主要分类算法 | 第20-26页 |
| 2.3.1 MetaCost | 第21-22页 |
| 2.3.2 重采样 | 第22-23页 |
| 2.3.3 阈值移动 | 第23-24页 |
| 2.3.4 代价敏感的支持向量机 | 第24-26页 |
| 2.4 实验设置 | 第26-30页 |
| 2.4.1 实验设计 | 第26-27页 |
| 2.4.2 数据集 | 第27-28页 |
| 2.4.3 评价指标 | 第28-29页 |
| 2.4.4 算法实现 | 第29-30页 |
| 2.5 实验结果分析及讨论 | 第30-32页 |
| 2.5.1 总代价 | 第31页 |
| 2.5.2 曲线下面积 | 第31-32页 |
| 2.5.3 F1性能和G均值 | 第32页 |
| 2.5.4 结论 | 第32页 |
| 2.6 总结 | 第32-38页 |
| 第三章 带有随机梯度下降的代价敏感支持向量机的SMO算法 | 第38-55页 |
| 3.1 引言 | 第38-39页 |
| 3.2 代价敏感的支持向量机及其KKT条件 | 第39-41页 |
| 3.3 代价敏感支持向量机的SMO算法 | 第41-44页 |
| 3.3.1 SMO算法描述 | 第41-44页 |
| 3.3.2 时间复杂度分析 | 第44页 |
| 3.4 带有随机梯度下降的代价敏感支持向量机的SMO算法 | 第44-50页 |
| 3.4.1 代价敏感的支持向量机的随机梯度下降算法 | 第45-48页 |
| 3.4.2 使用随机梯度下降为SMO算法求解初始解 | 第48-50页 |
| 3.5 实验研究 | 第50-54页 |
| 3.5.1 实验方案 | 第50-51页 |
| 3.5.2 实验结果分析 | 第51-54页 |
| 3.6 总结 | 第54-55页 |
| 第四章 代价敏感支持向量机的多样本增量式算法 | 第55-68页 |
| 4.1 引言 | 第55页 |
| 4.2 代价敏感支持向量机的多样本增量式算法 | 第55-59页 |
| 4.3 实验研究 | 第59-67页 |
| 4.3.1 实验方案 | 第59-61页 |
| 4.3.2 增量式代价敏感支持向量机的有效性分析 | 第61-62页 |
| 4.3.3 运行效率分析 | 第62-64页 |
| 4.3.4 增量式算法分析 | 第64-67页 |
| 4.4 总结 | 第67-68页 |
| 第五章 总结与展望 | 第68-70页 |
| 5.1 工作总结 | 第68-69页 |
| 5.2 工作展望 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 作者简介 | 第75页 |
