基于多目标决策的数据挖掘模型选择研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第一章 绪论 | 第11-20页 |
| ·研究背景 | 第11-13页 |
| ·模型选择的本质 | 第13-16页 |
| ·无监督学习模型选择 | 第14页 |
| ·有监督学习模型选择 | 第14-16页 |
| ·本文的研究思路和研究内容 | 第16-20页 |
| ·本文的研究思路 | 第16-19页 |
| ·本文的研究内容 | 第19-20页 |
| 第二章 国内外研究综述 | 第20-49页 |
| ·数据挖掘概述 | 第20-27页 |
| ·数据挖掘的基本过程 | 第21-23页 |
| ·数据挖掘的主要方法 | 第23-26页 |
| ·数据挖掘的应用领域 | 第26页 |
| ·数据挖掘待解决的问题 | 第26-27页 |
| ·多目标决策方法概述 | 第27-41页 |
| ·多目标决策及其特点 | 第28-29页 |
| ·多目标决策问题的构成要素 | 第29-30页 |
| ·确定评价准则权重的方法 | 第30-31页 |
| ·多目标决策的经典方法 | 第31-41页 |
| ·模型评估与模型选择 | 第41-47页 |
| ·模型评估和模型选择 | 第41-42页 |
| ·模型选择的相关定理 | 第42-44页 |
| ·模型选择的研究进展 | 第44-47页 |
| ·本章小结 | 第47-49页 |
| 第三章 聚类模型评估与选择 | 第49-67页 |
| ·聚类算法 | 第50-56页 |
| ·基于划分的聚类方法 | 第50-52页 |
| ·层次聚类算法 | 第52-53页 |
| ·基于密度的方法 | 第53-54页 |
| ·基于网格的方法 | 第54页 |
| ·基于模型的算法 | 第54-56页 |
| ·聚类的有效性评价指标体系 | 第56-59页 |
| ·基于多目标决策的聚类模型选择 | 第59-66页 |
| ·实验数据 | 第59-60页 |
| ·实验设计 | 第60-62页 |
| ·实验结果与分析 | 第62-66页 |
| ·本章小结 | 第66-67页 |
| 第四章 分类模型评估与选择 | 第67-97页 |
| ·分类技术概述 | 第68-74页 |
| ·基于决策树的分类算法 | 第69-70页 |
| ·基于函数类的分类算法 | 第70-71页 |
| ·基于贝叶斯理论的分类算法 | 第71-72页 |
| ·基于聚类技术的分类方法 | 第72页 |
| ·基于规则的分类算法 | 第72-73页 |
| ·分类集成学习方法 | 第73-74页 |
| ·分类算法的评价指标体系 | 第74-76页 |
| ·应用背景与相关数据 | 第76-78页 |
| ·基于统计检验的分类算法评价 | 第78-84页 |
| ·实验设计 | 第79页 |
| ·实验结果与分析 | 第79-84页 |
| ·基于层次分析法的集成学习算法评价 | 第84-91页 |
| ·实验设计 | 第85-86页 |
| ·实验结果与分析 | 第86-91页 |
| ·基于用户偏好的多目标集成学习算法评价 | 第91-95页 |
| ·实验设计 | 第91-92页 |
| ·实验结果与分析 | 第92-95页 |
| ·本章小结 | 第95-97页 |
| 第五章 基于模型选择结果的不平衡学习研究 | 第97-117页 |
| ·不平衡学习概述 | 第97-98页 |
| ·基于密度的合成样本过采样算法 | 第98-107页 |
| ·基于过采样技术的不平衡学习 | 第99-101页 |
| ·基于密度的合成样本过采样算法流程图 | 第101页 |
| ·基于密度的合成样本过采样算法伪代码 | 第101-102页 |
| ·实验设计与结果分析 | 第102-107页 |
| ·基于抽样的集成特征选择不平衡学习方法 | 第107-115页 |
| ·特征选择的概念与方法 | 第107-110页 |
| ·基于抽样的集成特征选择算法 | 第110-112页 |
| ·实验设计与结果分析 | 第112-115页 |
| ·本章小结 | 第115-117页 |
| 第六章 基于模型选择的多目标决策工具箱 | 第117-134页 |
| ·多目标决策简介 | 第117-120页 |
| ·DSOLVER工具箱介绍 | 第120-125页 |
| ·DSOLVER工具箱的主用户界面 | 第120页 |
| ·数据输入方法 | 第120-121页 |
| ·数据的标准化处理 | 第121-122页 |
| ·数据可视化 | 第122-123页 |
| ·多目标决策算法的选择 | 第123-124页 |
| ·模型计算与敏感性分析 | 第124页 |
| ·多个决策结果的集成 | 第124-125页 |
| ·DSOLVER应用实例 | 第125-133页 |
| ·工业机器人选择问题的相关数据 | 第125-126页 |
| ·使用无参数的多目标决策算法进行工业机器人选择 | 第126-130页 |
| ·使用有参数的多目标决策算法进行工业机器人选择 | 第130-133页 |
| ·本章小结 | 第133-134页 |
| 第七章 总结与展望 | 第134-137页 |
| ·本文工作总结 | 第134-135页 |
| ·研究展望 | 第135-137页 |
| 致谢 | 第137-138页 |
| 参考文献 | 第138-149页 |
| 附录 | 第149-159页 |
| 作者攻读博士学位期间的科研成果 | 第159-161页 |
| 作者攻读博士学位期间参与的科研项目 | 第161页 |
