| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.1.1 课题研究的背景 | 第9-10页 |
| 1.1.2 课题研究的意义 | 第10-11页 |
| 1.2 国内外研究现状及成果 | 第11-14页 |
| 1.2.1 国外研究现状 | 第11-13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.3 本文研究的主要内容 | 第14-16页 |
| 1.4 本文的结构安排 | 第16-17页 |
| 第二章 回归学习相关理论研究 | 第17-29页 |
| 2.1 概述 | 第17页 |
| 2.2 单回归模型 | 第17-23页 |
| 2.2.1 再生核希尔伯特空间 | 第17-19页 |
| 2.2.2 RidgeRegression模型 | 第19-20页 |
| 2.2.3 LassoRegression模型 | 第20页 |
| 2.2.4 KernelRidgeRegression模型 | 第20-21页 |
| 2.2.5 SupprotVectorRegression模型 | 第21-23页 |
| 2.3 集成回归模型 | 第23-28页 |
| 2.3.1 集成学习 | 第23-24页 |
| 2.3.2 Adaboost回归模型 | 第24-26页 |
| 2.3.3 RandomForest回归模型 | 第26-27页 |
| 2.3.4 GradientBoosting回归模型 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 最小二乘框架下的多样性选择集成分类策略 | 第29-43页 |
| 3.1 概述 | 第29-30页 |
| 3.2 已有的分类器方法及特点 | 第30-31页 |
| 3.3 最小二乘框架下的多样性选择集成分类 | 第31-35页 |
| 3.3.1 最小二乘框架下的多样性选择集成分类方法框架 | 第31-32页 |
| 3.3.2 最小二乘框架下的多样性选择集成分类算法描述 | 第32-35页 |
| 3.4 实验分析 | 第35-42页 |
| 3.4.1 数据集介绍 | 第35-36页 |
| 3.4.2 参数的选择 | 第36-38页 |
| 3.4.3 实验结果分析 | 第38-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第四章 最小二乘框架下的多核选择集成回归策略 | 第43-61页 |
| 4.1 概述 | 第43-44页 |
| 4.2 已有的回归器方法及特点 | 第44-45页 |
| 4.3 最小二乘框架下的多核选择集成回归 | 第45-49页 |
| 4.3.1 最小二乘框架下的多核选择集成回归方法框架 | 第45-46页 |
| 4.3.2 最小二乘框架下的多核选择集成回归算法描述 | 第46-49页 |
| 4.4 实验分析 | 第49-59页 |
| 4.4.1 参数设置 | 第49-50页 |
| 4.4.2 人工数据集 | 第50-52页 |
| 4.4.3 UCI数据集 | 第52-58页 |
| 4.4.4 手写体数据集 | 第58-59页 |
| 4.5 本章小结 | 第59-61页 |
| 第五章 总结与展望 | 第61-63页 |
| 5.1 总结 | 第61-62页 |
| 5.2 展望 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-70页 |
| 攻读硕士学位期间取得的研究成果 | 第70页 |
