基于集成学习的半监督分类学习研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景及其意义 | 第10-11页 |
| 1.2 研究现状及存在的问题 | 第11-13页 |
| 1.3 本文的主要工作 | 第13-14页 |
| 1.4 本文的组织结构 | 第14-15页 |
| 第二章 相关理论介绍 | 第15-36页 |
| 2.1 无标签样本 | 第15页 |
| 2.2 半监督学习 | 第15-16页 |
| 2.3 半监督学习的假设 | 第16页 |
| 2.4 半监督学习算法介绍 | 第16-28页 |
| 2.4.1 半监督学习样本空间的表示 | 第17页 |
| 2.4.2 生成式模型算法 | 第17-19页 |
| 2.4.3 基于分歧模型算法 | 第19-21页 |
| 2.4.4 基于图的半监督学习算法 | 第21-24页 |
| 2.4.5 低密度分割算法 | 第24-28页 |
| 2.5 集成学习算法 | 第28-34页 |
| 2.5.1 AdaBoost算法 | 第29-30页 |
| 2.5.2 Bagging算法 | 第30-32页 |
| 2.5.3 Random Forest | 第32-34页 |
| 2.6 交叉验证 | 第34-35页 |
| 2.6.1 简单交叉验证 | 第34页 |
| 2.6.2 N折交叉验证 | 第34-35页 |
| 2.6.3 留一交叉验证 | 第35页 |
| 2.7 本章小结 | 第35-36页 |
| 第三章 集成半监督学习 | 第36-44页 |
| 3.1 算法概述 | 第36-37页 |
| 3.2 无标签样本改善学习器的可行性 | 第37-38页 |
| 3.3 集成学习的可行性 | 第38-39页 |
| 3.4 样本空间表示及目标函数 | 第39-41页 |
| 3.5 算法流程 | 第41-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第四章 算法的实验验证 | 第44-52页 |
| 4.1 UCI数据库介绍 | 第44-45页 |
| 4.2 实验 | 第45-51页 |
| 4.2.1 算法性能的比较 | 第46-49页 |
| 4.2.2 有标签样本的占比在算法中的体现 | 第49-51页 |
| 4.3 本章小结 | 第51-52页 |
| 结论 | 第52-54页 |
| 参考文献 | 第54-60页 |
| 攻读硕士学位期间取得的研究成果 | 第60-61页 |
| 致谢 | 第61-62页 |
| 附件 | 第62页 |
