基于LGC算法的代价敏感分类方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-12页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 研究意义 | 第9页 |
| 1.3 研究现状 | 第9-10页 |
| 1.4 论文结构 | 第10-12页 |
| 2 半监督学习综述 | 第12-23页 |
| 2.1 半监督学习依赖的假设 | 第12-14页 |
| 2.2 半监督学习算法分类 | 第14-16页 |
| 2.3 基于图的半监督分类 | 第16-22页 |
| 2.3.1 基本符号定义 | 第18页 |
| 2.3.2 衡量相似度的函数 | 第18-19页 |
| 2.3.3 图的连接方式 | 第19-21页 |
| 2.3.4 分类器的评估 | 第21-22页 |
| 2.4 无标签数据的意义 | 第22-23页 |
| 3 代价敏感学习分类方法研究 | 第23-28页 |
| 3.1 基本符号和定义 | 第23页 |
| 3.2 代价的类型 | 第23-25页 |
| 3.3 分类研究 | 第25-28页 |
| 3.3.1 数据处理的方法 | 第25-26页 |
| 3.3.2 算法处理的方法 | 第26-28页 |
| 4 CS-LGC算法设计 | 第28-42页 |
| 4.1 相关概念 | 第28页 |
| 4.2 局部与全局一致性算法 | 第28-30页 |
| 4.3 代价敏感的局部与全局一致性算法 | 第30-35页 |
| 4.3.1 CS-LGC算法描述 | 第31页 |
| 4.3.2 CS-LGC算法流程 | 第31-34页 |
| 4.3.3 CS-LGC算法收敛性分析 | 第34-35页 |
| 4.3.4 CS-LGC算法时间复杂度分析 | 第35页 |
| 4.4 CS-LGC算法实验分析 | 第35-42页 |
| 4.4.1 数据介绍及预处理 | 第35-36页 |
| 4.4.2 实验设置及说明 | 第36-41页 |
| 4.4.3 实验结果分析 | 第41-42页 |
| 5 CSS-LGC算法设计 | 第42-56页 |
| 5.1 CS-LGC算法存在的问题 | 第42-43页 |
| 5.2 不平衡数据和SMOTE算法 | 第43-46页 |
| 5.2.1 不平衡数据 | 第43-44页 |
| 5.2.2 SMOTE算法 | 第44-46页 |
| 5.3 CSS-LGC算法 | 第46-49页 |
| 5.3.1 CSS-LGC算法流程 | 第46-48页 |
| 5.3.2 CSS-LGC算法时间复杂度分析 | 第48-49页 |
| 5.4 CSS-LGC算法实验分析 | 第49-53页 |
| 5.4.1 数据介绍及预处理 | 第49页 |
| 5.4.2 实验设置及说明 | 第49-52页 |
| 5.4.3 实验结果分析 | 第52-53页 |
| 5.5 实验中阈值的讨论 | 第53-56页 |
| 5.5.1 实验中涉及的阈值 | 第53页 |
| 5.5.2 阈值选取分析 | 第53-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间发表学术论文情况 | 第62-63页 |
| 致谢 | 第63-64页 |
