针对弱标记和稳定算法的多标记集成学习
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-15页 |
| ·研究背景及意义 | 第9-10页 |
| ·国内外研究现状 | 第10-13页 |
| ·多标记数据分类算法研究现状 | 第10-11页 |
| ·集成学习算法研究现状 | 第11-13页 |
| ·弱标记数据分类算法研究现状 | 第13页 |
| ·本文的主要研究目的、内容及章节安排 | 第13-15页 |
| ·本文的研究目的 | 第13页 |
| ·本文的主要内容 | 第13-14页 |
| ·本文的章节安排 | 第14-15页 |
| 第二章 集成学习算法和多标记数据分类方法 | 第15-26页 |
| ·多标记数据和弱标记数据描述 | 第15页 |
| ·多标记数据分类算法 | 第15-20页 |
| ·ML-KNN算法 | 第16页 |
| ·改进的C4.5算法 | 第16-17页 |
| ·Rank-svm算法 | 第17页 |
| ·基于神经网络的BP-MLL | 第17-18页 |
| ·经典的两种问题转化方法BM和CM | 第18-20页 |
| ·弱标记数据分类算法 | 第20页 |
| ·针对弱标记的直推式多标记分类方法TML-WL | 第20页 |
| ·主动学习和半监督学习 | 第20页 |
| ·集成学习算法 | 第20-23页 |
| ·Bagging算法 | 第21页 |
| ·Boosting算法 | 第21-22页 |
| ·AdaBoost算法 | 第22页 |
| ·AdaBoost.MH算法 | 第22页 |
| ·其他的集成学习算法 | 第22-23页 |
| ·性能评价指标 | 第23-24页 |
| ·交叉验证 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第三章 基于MLKNN的集成学习算法 | 第26-42页 |
| ·Adaboost算法 | 第26-27页 |
| ·ML-KNN算法 | 第27-29页 |
| ·基于ML-KNN算法的Adaboost算法 | 第29-30页 |
| ·实验及结果分析 | 第30-41页 |
| ·数据集和实验环境 | 第30-31页 |
| ·性能评价指标 | 第31页 |
| ·实验设计 | 第31页 |
| ·实验结果及分析 | 第31-41页 |
| ·本章小结 | 第41-42页 |
| 第四章 针对弱标记的多标记集成学习分类方法 | 第42-52页 |
| ·基于相似性成对约束投影的多标记集成学习算法 | 第42-45页 |
| ·问题和算法的引入 | 第42页 |
| ·基于相似性成对约束投影 | 第42-43页 |
| ·权重更新策略 | 第43-44页 |
| ·多标记数据分类中基分类器的集成 | 第44页 |
| ·RPCME算法的详细描述 | 第44-45页 |
| ·实验及结果分析 | 第45-51页 |
| ·数据集 | 第45页 |
| ·性能评价指标 | 第45页 |
| ·实验设计 | 第45-46页 |
| ·实验结果及分析讨论 | 第46-51页 |
| ·本章小结 | 第51-52页 |
| 第五章 总结和展望 | 第52-55页 |
| ·全文工作总结 | 第52-53页 |
| ·未来研究工作展望 | 第53-55页 |
| 参考文献 | 第55-61页 |
| 致谢 | 第61-62页 |
| 攻读硕士学位期间的主要研究成果 | 第62页 |
