| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 引言 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状与分析 | 第12-14页 |
| 1.3 研究内容 | 第14页 |
| 1.4 本文组织结构 | 第14-16页 |
| 第2章 预备知识 | 第16-22页 |
| 2.1 决策树 | 第16-17页 |
| 2.1.1 决策树基本知识 | 第16-17页 |
| 2.1.2 决策树的特点及应用 | 第17页 |
| 2.2 BP神经网络 | 第17-18页 |
| 2.2.1 BP神经网络基本知识 | 第17-18页 |
| 2.2.2 BP神经网络的特点及应用 | 第18页 |
| 2.3 选择性集成学习 | 第18-19页 |
| 2.4 集成学习的差异性度量方法 | 第19-21页 |
| 2.4.1 Fail/Non-fail差异性度量方法 | 第19-20页 |
| 2.4.2 Double-falut度量方法 | 第20页 |
| 2.4.3 相关系数法 | 第20页 |
| 2.4.4 熵E差异性度量方法 | 第20-21页 |
| 2.5 本章小结 | 第21-22页 |
| 第3章 数据预处理 | 第22-26页 |
| 3.1 理论知识 | 第22-23页 |
| 3.2 连续数值离散化 | 第23-24页 |
| 3.2.1 数据离散化思想 | 第23页 |
| 3.2.2 实验结果 | 第23-24页 |
| 3.3 数据的归一化处理 | 第24-25页 |
| 3.3.1 归一化处理思想 | 第24-25页 |
| 3.4 结论 | 第25-26页 |
| 第4章 基于爬山法、前序选择和后序选择的集成学习研究 | 第26-34页 |
| 4.1 引言 | 第26页 |
| 4.2 选择性策略 | 第26-28页 |
| 4.2.1 爬山选择方法 | 第26-27页 |
| 4.2.2 前序选择方法 | 第27页 |
| 4.2.3 后序选择方法 | 第27-28页 |
| 4.3 实验数据 | 第28-29页 |
| 4.4 实验结果与分析 | 第29-33页 |
| 4.4.1 采用ID3 算法训练的基模型的实验结果与分析 | 第29-31页 |
| 4.4.2 采用BP神经网络算法训练的基模型的实验结果与分析 | 第31-33页 |
| 4.5 本章小结 | 第33-34页 |
| 第5章 基于聚类选择技术的集成学习研究 | 第34-46页 |
| 5.1 聚类选择理论基础 | 第34-35页 |
| 5.2 层次聚类选择 | 第35-39页 |
| 5.2.1 层次聚类选择的基本思想 | 第35-36页 |
| 5.2.2 由ID3 算法生成的基模型的实验结果与分析 | 第36-38页 |
| 5.2.3 由BP神经网络算法生成的基模型的实验结果与分析 | 第38-39页 |
| 5.3 K-MEANS聚类选择 | 第39-43页 |
| 5.3.1 k-MEANS聚类选择的基本思想 | 第39-40页 |
| 5.3.2 由ID3 算法生成的基模型的实验结果与分析 | 第40-42页 |
| 5.3.3 由BP神经网络算法生成的基模型的实验结果与分析 | 第42-43页 |
| 5.4 基于聚类技术的泛化误差分析 | 第43-45页 |
| 5.5 本章小结 | 第45-46页 |
| 第6章 总结与展望 | 第46-47页 |
| 6.1 工作总结 | 第46页 |
| 6.2 工作展望 | 第46-47页 |
| 参考文献 | 第47-50页 |
| 致谢 | 第50-51页 |
| 攻读硕士学位期间科研工作情况 | 第51页 |
