基于Boosting的集成树算法研究与分析
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第10-13页 |
| 1.1 研究背景 | 第10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.3 论文结构 | 第12-13页 |
| 第二章 集成树的基本概念 | 第13-21页 |
| 2.1 决策树算法 | 第13-15页 |
| 2.2 集成学习 | 第15-20页 |
| 2.2.1 集成的起源 | 第15-16页 |
| 2.2.2 基本概念 | 第16-18页 |
| 2.2.3 两类集成方法 | 第18-20页 |
| 2.3 本章小结 | 第20-21页 |
| 第三章 Boosting集成方法 | 第21-43页 |
| 3.1 AdaBoosting算法 | 第21-27页 |
| 3.1.1 基本理论 | 第21-25页 |
| 3.1.2 多分类扩展 | 第25-27页 |
| 3.2 GBDT算法 | 第27-34页 |
| 3.2.1 GradientBoosting原理 | 第27-30页 |
| 3.2.2 叠加树模型 | 第30-31页 |
| 3.2.3 损失函数 | 第31-34页 |
| 3.3 XGBoost算法 | 第34-38页 |
| 3.4 正则化方法 | 第38-41页 |
| 3.4.1 收缩 | 第39-40页 |
| 3.4.2 提前停止 | 第40页 |
| 3.4.3 子采样 | 第40-41页 |
| 3.5 本章小结 | 第41-43页 |
| 第四章 集成树算法实验与分析 | 第43-55页 |
| 4.1 基于岩性数据的实验 | 第43-49页 |
| 4.1.1 实验背景及数据介绍 | 第43-44页 |
| 4.1.2 实验设计与结果 | 第44-46页 |
| 4.1.3 特征重要性评估 | 第46-48页 |
| 4.1.4 抗噪性实验 | 第48-49页 |
| 4.2 图像分类实验 | 第49-53页 |
| 4.2.1 图像分类与卷积神经网络 | 第49-50页 |
| 4.2.2 基于MNIST的实验分析 | 第50-52页 |
| 4.2.3 CNN-XGBoost模型 | 第52-53页 |
| 4.3 本章小结 | 第53-55页 |
| 第六章 结论与认识 | 第55-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-64页 |
| 附录 | 第64页 |
