| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 论文研究目的和意义 | 第10-11页 |
| 1.2 失衡数据集分类问题的研究现状 | 第11-14页 |
| 1.3 本课题研究的主要内容 | 第14-15页 |
| 1.3.1 课题来源 | 第14页 |
| 1.3.2 课题的主要研究内容 | 第14-15页 |
| 1.4 本章小结 | 第15-16页 |
| 第2章 失衡数据集分类问题 | 第16-25页 |
| 2.1 失衡数据集分类问题分析 | 第16-18页 |
| 2.1.1 失衡数据集概述 | 第16-17页 |
| 2.1.2 失衡数据集分类困难原因分析 | 第17-18页 |
| 2.2 常用处理失衡数据集分类问题的方法 | 第18-20页 |
| 2.2.1 失衡数据集的数据重采样 | 第19页 |
| 2.2.2 失衡数据集的分类算法 | 第19-20页 |
| 2.3 失衡数据集分类器性能评价标准 | 第20-24页 |
| 2.3.1 常用的分类器性能评价标准 | 第20-22页 |
| 2.3.2 ROC 曲线及 AUC 值 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 基于 KNN 的失衡数据集数据采样方法 | 第25-33页 |
| 3.1 数据重采样方法 | 第25-26页 |
| 3.2 失衡数据集中数据缺失值填充方法 | 第26-28页 |
| 3.2.1 最邻近 KNN 方法 | 第26-27页 |
| 3.2.2 基于 KNN 的属性缺失值填充方法 | 第27-28页 |
| 3.3 基于 KNN 的失衡数据集动态阈值剪枝方法 | 第28-32页 |
| 3.3.1 失衡数据中的混叠性与复杂性分析 | 第28-30页 |
| 3.3.2 KNN 的动态阈值剪枝方法 | 第30-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第4章 基于集成学习的失衡数据集分类方法 | 第33-50页 |
| 4.1 集成学习概述 | 第33-35页 |
| 4.2 常用的集成学习方法 | 第35-39页 |
| 4.2.1 Bagging 集成学习方法 | 第35-36页 |
| 4.2.2 AdaBoost 集成学习方法 | 第36-38页 |
| 4.2.3 集成学习方法的优势 | 第38-39页 |
| 4.3 集成学习的失衡数据集分类方法 | 第39-44页 |
| 4.3.1 集成学习在失衡数据集中应用的优势 | 第39-40页 |
| 4.3.2 随机森林方法 | 第40-41页 |
| 4.3.3 随机森林的泛化误差 | 第41-43页 |
| 4.3.4 RF-Bagging 集成学习 | 第43-44页 |
| 4.4 实验结果及分析 | 第44-48页 |
| 4.4.1 实验使用的数据集 | 第44页 |
| 4.4.2 KNN 缺失值的填充方法实验结果与分析 | 第44-46页 |
| 4.4.3 KNN 动态阈值剪枝方法的实验效果与分析 | 第46-47页 |
| 4.4.4 集成学习方法实验效果分析 | 第47-48页 |
| 4.5 本章小结 | 第48-50页 |
| 第5章 失衡数据集分类问题在信贷违约的应用 | 第50-57页 |
| 5.1 信贷违约问题 | 第50-51页 |
| 5.2 信贷违约问题系统框架 | 第51-53页 |
| 5.2.1 信贷违约预测系统的总体框架 | 第51-52页 |
| 5.2.2 功能需求 | 第52-53页 |
| 5.2.3 环境需求 | 第53页 |
| 5.3 系统模块划分 | 第53-56页 |
| 5.3.1 数据预处理模块 | 第53-54页 |
| 5.3.2 集成学习分类模块 | 第54-55页 |
| 5.3.3 结果输出模块 | 第55-56页 |
| 5.4 本章小结 | 第56-57页 |
| 结论 | 第57-58页 |
| 参考文献 | 第58-65页 |
| 攻读硕士学位期间发表的学术论文 | 第65-66页 |
| 致谢 | 第66页 |
