| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究的目的和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 邮件分类技术国内外研究现状 | 第11-12页 |
| 1.2.2 AdaBoost国内外研究现状 | 第12-13页 |
| 1.2.3 主动学习国内外研究现状 | 第13-14页 |
| 1.3 本文研究的主要内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 第2章 基于机器学习的邮件分类技术概述 | 第16-27页 |
| 2.1 基于机器学习方法的邮件分类原理 | 第16-18页 |
| 2.1.1 邮件分类的基本流程 | 第16-17页 |
| 2.1.2 邮件分类器的训练与测试 | 第17页 |
| 2.1.3 特征的提取与选择 | 第17-18页 |
| 2.2 朴素贝叶斯方法 | 第18-21页 |
| 2.3 逻辑回归方法 | 第21-23页 |
| 2.4 支持向量机方法 | 第23-24页 |
| 2.5 实验环境与方法介绍 | 第24页 |
| 2.6 实验数据集和评价指标 | 第24-26页 |
| 2.7 本章小结 | 第26-27页 |
| 第3章 邮件分类中的AdaBoost方法 | 第27-35页 |
| 3.1 多重抽样数据集的分类器 | 第27-28页 |
| 3.1.1 自举汇聚法 | 第27-28页 |
| 3.1.2 Boosting算法 | 第28页 |
| 3.2 AdaBoost算法 | 第28-30页 |
| 3.2.1 基本流程 | 第28-29页 |
| 3.2.2 算法的原理 | 第29-30页 |
| 3.3 基于不同基础分类器的算法建立 | 第30-32页 |
| 3.4 AdaBoost的分析 | 第32页 |
| 3.5 实验环境与方法介绍 | 第32-33页 |
| 3.6 实验评价 | 第33页 |
| 3.7 本章小结 | 第33-35页 |
| 第4章 主动学习在邮件分类中的应用 | 第35-44页 |
| 4.1 邮件分类中的主动学习方法 | 第35-36页 |
| 4.2 常用的主动学习采样策略 | 第36-38页 |
| 4.2.1 b-sampling采样方法 | 第36-37页 |
| 4.2.2 Logistic Margin Sampling采样方法 | 第37-38页 |
| 4.2.3 Fixed Margin Sampling采样方法 | 第38页 |
| 4.3 Re-active Learning方法 | 第38-40页 |
| 4.4 实验评价 | 第40-42页 |
| 4.5 本章小结 | 第42-44页 |
| 第5章 AdaBoost和Re-active Learning的结合使用研究 | 第44-50页 |
| 5.1 相关实验基础 | 第44-45页 |
| 5.2 两种方法的结合使用 | 第45-46页 |
| 5.3 实验评价 | 第46-49页 |
| 5.4 本章小结 | 第49-50页 |
| 结论 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 攻读硕士学位期间发表的学术论文 | 第55-56页 |
| 致谢 | 第56页 |
