基于旋转森林的基因数据分类算法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第13-17页 |
| 1.1 研究背景 | 第13-14页 |
| 1.2 研究现状 | 第14-15页 |
| 1.3 实验环境以及数据集 | 第15-16页 |
| 1.4 创新点 | 第16页 |
| 1.5 各章内容简介 | 第16-17页 |
| 2 相关理论基础 | 第17-28页 |
| 2.1 机器学习的基本概念 | 第17-18页 |
| 2.2 决策树分类算法 | 第18-21页 |
| 2.2.1 ID3决策树算法 | 第18-20页 |
| 2.2.2 C4.5 决策树算法 | 第20页 |
| 2.2.3 CART决策树算法 | 第20-21页 |
| 2.3 集成分类算法 | 第21-27页 |
| 2.3.1 贝叶斯投票法 | 第22页 |
| 2.3.2 调整训练样本分布法 | 第22-23页 |
| 2.3.3 随机森林算法 | 第23-25页 |
| 2.3.4 旋转森林算法 | 第25-27页 |
| 2.4 小结 | 第27-28页 |
| 3 基于核主成分分析的旋转森林算法 | 第28-39页 |
| 3.1 核函数相关理论 | 第28-30页 |
| 3.2 核主成分分析 | 第30-31页 |
| 3.3 基于核主成分分析的旋转森林算法描述 | 第31-35页 |
| 3.3.1 基于核函数的支持向量机启示 | 第31页 |
| 3.3.2 基于核主成分分析的旋转森林算法 | 第31-33页 |
| 3.3.3 核函数的选择方法以及参数的选择方法 | 第33-35页 |
| 3.4 实验结果及分析 | 第35-38页 |
| 3.5 小结 | 第38-39页 |
| 4 嵌入代价敏感的旋转森林算法 | 第39-50页 |
| 4.1 代价敏感学习 | 第39-42页 |
| 4.2 代价敏感决策树 | 第42-44页 |
| 4.3 算法描述 | 第44页 |
| 4.4 实验结果与分析 | 第44-49页 |
| 4.5 小结 | 第49-50页 |
| 5 结论 | 第50-52页 |
| 5.1 研究总结 | 第50页 |
| 5.2 需要进一步开展的工作 | 第50-52页 |
| 参考文献 | 第52-55页 |
| 作者简历 | 第55页 |
