| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| ·研究背景 | 第7-8页 |
| ·研究现状 | 第8-11页 |
| ·决策树分类算法的研究现状 | 第8-9页 |
| ·迁移学习的研究现状 | 第9-11页 |
| ·近年来决策树分类算法在迁移学习中的应用 | 第11页 |
| ·本文的主要工作及组织结构 | 第11-13页 |
| 第二章 决策树分类方法及迁移学习简介 | 第13-19页 |
| ·传统的决策树分类算法 | 第13页 |
| ·迁移学习基本理论介绍 | 第13-15页 |
| ·迁移成分分析法介绍 | 第15-17页 |
| ·本章小结 | 第17-19页 |
| 第三章 基于 K-means 改进的 CART 迁移学习算法 | 第19-33页 |
| ·CART 分类算法介绍 | 第19-21页 |
| ·Gini 指数与分割法则 | 第19-20页 |
| ·分支停止准则 | 第20-21页 |
| ·CART 算法过程 | 第21页 |
| ·基于 K-means 聚类算法的 CART 迁移学习 | 第21-26页 |
| ·基于迁移成分分析方法的 CART 迁移学习 | 第21-23页 |
| ·利用 K-means 聚类算法对基于 CART 的迁移学习算法进行改进 | 第23-26页 |
| ·实验结果与分析 | 第26-32页 |
| ·实验数据处理 | 第26-27页 |
| ·实验设计与结果分析 | 第27-32页 |
| ·本章小结 | 第32-33页 |
| 第四章 基于样本迁移的决策树分类算法研究 | 第33-41页 |
| ·基于样本的迁移学习基本理论与常用方法介绍 | 第33-36页 |
| ·Bootstrapping 技术简述 | 第33-34页 |
| ·基于样本的迁移学习方法介绍 | 第34-36页 |
| ·改进的基于样本迁移的决策树分类方法 | 第36-37页 |
| ·传统的基于样本的迁移学习方法中问题分析 | 第36页 |
| ·基于目标域数据 Bootstrapping 的改进决策树迁移学习方法 | 第36-37页 |
| ·源域样本选择机制及目标域分类算法设计 | 第37-38页 |
| ·实验设计与结果分析 | 第38-40页 |
| ·实验设计 | 第38-39页 |
| ·实验结果与分析 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 第五章 基于随机森林的迁移学习算法研究 | 第41-51页 |
| ·随机森林算法 | 第41-44页 |
| ·随机森林的定义 | 第41-42页 |
| ·随机森林的理论基础 | 第42-44页 |
| ·随机森林的特征分析 | 第44页 |
| ·迁移学习多任务分类问题中随机森林构建算法 | 第44-46页 |
| ·随机森林的构建算法 | 第44-45页 |
| ·迁移学习中随机森林的构建方法 | 第45-46页 |
| ·迁移森林算法设计 | 第46-47页 |
| ·实验设计与结果分析 | 第47-50页 |
| ·实验设计 | 第47-48页 |
| ·实验结果与分析 | 第48-50页 |
| ·本章小结 | 第50-51页 |
| 第六章 总结与展望 | 第51-53页 |
| ·工作总结 | 第51页 |
| ·进一步研究 | 第51-53页 |
| 致谢 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 攻读硕士期间的研究成果 | 第59-60页 |
