| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 课题研究背景及其意义 | 第10-11页 |
| 1.2 不平衡数据分类的国内外研究现状及分析 | 第11-15页 |
| 1.2.1 面向数据层面的方法 | 第12-14页 |
| 1.2.2 面向模型层面的方法 | 第14-15页 |
| 1.3 不平衡数据分类的评价标准 | 第15-17页 |
| 1.4 论文主要创新点和研究内容 | 第17-18页 |
| 1.5 论文的组织结构 | 第18-20页 |
| 第2章 基于支持度和增比率的改进关联分类算法ACSER | 第20-30页 |
| 2.1 基于关联规则的分类算法概述 | 第20-22页 |
| 2.2 改进关联分类算法ACSER | 第22-25页 |
| 2.2.1 相关的定义和标记 | 第22-23页 |
| 2.2.2 ACSER分类器构建 | 第23-25页 |
| 2.2.3 分类预测 | 第25页 |
| 2.3 ACSER算法实验结果及分析 | 第25-28页 |
| 2.4 本章小结 | 第28-30页 |
| 第3章 基于自适应样例权重在不平衡数据上的关联分类算法 | 第30-42页 |
| 3.1 不平衡数据分类的基本问题 | 第30-32页 |
| 3.1.1 不平衡数据分类难点 | 第30-31页 |
| 3.1.2 传统关联分类算法在不平衡数据上出现的问题 | 第31-32页 |
| 3.2 ACIW：基于自适应实例权重在不平衡数据上的关联分类算法 | 第32-35页 |
| 3.2.1 小类实例的自适应权重分配设计 | 第32-35页 |
| 3.2.2 分类器构建及预测 | 第35页 |
| 3.3 ACIW算法实验结果与分析 | 第35-40页 |
| 3.4 本章小结 | 第40-42页 |
| 第4章 基于自适应合成过采样在不平衡数据上的集成学习算法 | 第42-60页 |
| 4.1 概述 | 第42页 |
| 4.2 相关工作 | 第42-47页 |
| 4.2.1 集成学习AdaBoost算法 | 第42-44页 |
| 4.2.2 SMOTE算法 | 第44-46页 |
| 4.2.3 两种改进的SMOTE算法 | 第46-47页 |
| 4.3 基于新的自适应合成过抽样在不平衡数据上的集成分类算法 | 第47-52页 |
| 4.3.1 自适应合成过抽样ASMOTE设计 | 第47-50页 |
| 4.3.2 集成学习算法ASMOTE-Boost | 第50-52页 |
| 4.4 ASMOTE-Boost算法实验 | 第52-58页 |
| 4.4.1 实验数据及相关参数设置 | 第52-53页 |
| 4.4.2 实验结果及分析 | 第53-58页 |
| 4.5 本章小结 | 第58-60页 |
| 第5章 论文的总结和展望 | 第60-62页 |
| 5.1 论文总结 | 第60-61页 |
| 5.2 今后工作展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-68页 |
| 课题研究及论文完成情况 | 第68页 |
