| 中文摘要 | 第2-3页 |
| Abstract | 第3页 |
| 第一章 绪论 | 第6-10页 |
| 1.1 研究背景及意义 | 第6-7页 |
| 1.1.1 研究背景 | 第6-7页 |
| 1.1.2 研究意义 | 第7页 |
| 1.2 研究现状 | 第7-8页 |
| 1.3 研究目的 | 第8页 |
| 1.4 本文的组织结构 | 第8-10页 |
| 第二章 Adaboost算法 | 第10-18页 |
| 2.1 Bagging算法 | 第10-11页 |
| 2.2 Boosting算法 | 第11-12页 |
| 2.3 Bagging算法与Boosting算法的比较 | 第12-13页 |
| 2.4 Adaboost算法 | 第13-16页 |
| 2.5 Adaboost.M1算法和Adaboost.M2算法 | 第16-18页 |
| 第三章 聚类 | 第18-23页 |
| 3.1 聚类分析 | 第18-20页 |
| 3.1.1 划分法 | 第18-19页 |
| 3.1.2 层次法 | 第19页 |
| 3.1.3 密度算法 | 第19页 |
| 3.1.4 图论聚类法 | 第19页 |
| 3.1.5 网格算法 | 第19-20页 |
| 3.2 K-means算法 | 第20-21页 |
| 3.2.1 K值的确定 | 第20-21页 |
| 3.2.2 初始点选择 | 第21页 |
| 3.3 K-means++算法 | 第21-23页 |
| 第四章 改进的Adaboost算法 | 第23-27页 |
| 4.1 Adaboost算法的改进思想 | 第23-24页 |
| 4.2 DY-Adaboost算法 | 第24-27页 |
| 4.2.1 生成基分类器 | 第24-25页 |
| 4.2.2 生成强分类器 | 第25-27页 |
| 第五章 实证分析 | 第27-32页 |
| 5.1 样本选取的方法 | 第27页 |
| 5.1.1 K折交叉验证法 | 第27页 |
| 5.1.2 自引导法 | 第27页 |
| 5.2 聚类方法的选择 | 第27-28页 |
| 5.3 数据集的选取 | 第28-29页 |
| 5.3.1 数据集 | 第28-29页 |
| 5.4 实验结果及分析 | 第29页 |
| 5.5 显著性检验 | 第29-32页 |
| 第六章 总结与展望 | 第32-34页 |
| 6.1 本文总结 | 第32页 |
| 6.2 本文的不足及展望 | 第32-34页 |
| 参考文献 | 第34-36页 |
| 致谢 | 第36页 |