| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 本文的选题依据和意义 | 第11页 |
| 1.2 关于非平衡数据分类和评估推荐的研究现状 | 第11-14页 |
| 1.3 论文的创新点 | 第14-15页 |
| 1.4 本文的组织结构 | 第15-17页 |
| 第二章 机器学习分类算法与性能评估指标 | 第17-33页 |
| 2.1 分类算法概述 | 第17-29页 |
| 2.1.1 支持向量机 | 第17-24页 |
| 2.1.2 贝叶斯分类器 | 第24-29页 |
| 2.2 分类器性能评估指标 | 第29-31页 |
| 2.2.1 普通的性能评估指标 | 第29-30页 |
| 2.2.2 非平衡数据分类器的评估指标 | 第30-31页 |
| 2.3 WEKA系统简介 | 第31-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 基于合成少数类过采样过滤器方法的二手车推荐 | 第33-50页 |
| 3.1 引言 | 第33页 |
| 3.2 非平衡数据重采样技术 | 第33-34页 |
| 3.3 合成少数类过采样过滤器方法 | 第34-40页 |
| 3.3.1 SMOTE算法 | 第34-35页 |
| 3.3.2 基于SMOTE算法的合成少数类过采样过滤器的设计 | 第35-38页 |
| 3.3.3 实验验证 | 第38-40页 |
| 3.4 实验比较 | 第40-46页 |
| 3.4.1 数据收集和预处理 | 第40-42页 |
| 3.4.2 以SVM作为分类器进行实验比较 | 第42-44页 |
| 3.4.3 以不同贝叶斯分类器进行实验比较 | 第44-46页 |
| 3.5 基于合成少数类过采样过滤器方法的二手车推荐模型的实例分析 | 第46-49页 |
| 3.6 本章小结 | 第49-50页 |
| 第四章 基于Smote Filter Boost集成学习方法的二手车推荐 | 第50-60页 |
| 4.1 引言 | 第50页 |
| 4.2 基于非平衡数据的集成学习方法 | 第50-53页 |
| 4.3 Smote Filter Boost集成学习方法 | 第53-57页 |
| 4.3.1 Adaboost集成学习方法 | 第53-54页 |
| 4.3.2 Smote Filter Boost集成学习方法的提出 | 第54-56页 |
| 4.3.3 实验验证 | 第56-57页 |
| 4.4 实验比较 | 第57-58页 |
| 4.5 基于Smote Filter Boost集成学习方法的二手车推荐模型的实例分析 | 第58-59页 |
| 4.6 本章小结 | 第59-60页 |
| 第五章 结束语 | 第60-62页 |
| 5.1 本文工作总结 | 第60-61页 |
| 5.2 展望 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 致谢 | 第67-68页 |
| 在学期间的研究成果及发表的学术论文 | 第68页 |
