一种基于主动学习的不平衡数据分类方法
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 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 | 第12-13页 |
| 1.3 研究内容和目标 | 第13-15页 |
| 1.4 文章组织结构 | 第15-16页 |
| 第二章 相关技术介绍 | 第16-27页 |
| 2.1 支持向量机理论 | 第16-23页 |
| 2.1.1 总述 | 第16页 |
| 2.1.2 线性分类 | 第16-21页 |
| 2.1.3 线性不可分 | 第21-23页 |
| 2.2 主动学习 | 第23-26页 |
| 2.3 小结 | 第26-27页 |
| 第三章 SID初始训练集选择策略 | 第27-47页 |
| 3.1 研究意义 | 第27-28页 |
| 3.2 线性可分 | 第28-34页 |
| 3.2.1 线性可分数据特点 | 第28-30页 |
| 3.2.2 提出策略 | 第30-31页 |
| 3.2.3 实验验证 | 第31-34页 |
| 3.3 线性不可分 | 第34-45页 |
| 3.3.1 线性不可分数据特点 | 第34页 |
| 3.3.2 由线性可分到不可分 | 第34-37页 |
| 3.3.3 实验验证 | 第37-45页 |
| 3.4 小结 | 第45-47页 |
| 第四章 DC样本选择策略 | 第47-57页 |
| 4.1 研究意义 | 第47页 |
| 4.2 传统的样本选择策略 | 第47-48页 |
| 4.3 关注误分点的DC样本选择策略 | 第48-51页 |
| 4.4 停止条件 | 第51页 |
| 4.5 实验验证 | 第51-55页 |
| 4.6 小结 | 第55-57页 |
| 第五章 SID-SVM方法及优化 | 第57-70页 |
| 5.1 SID-SVM方法 | 第57-64页 |
| 5.1.1 算法优势 | 第59页 |
| 5.1.2 实验 | 第59-64页 |
| 5.2 方法改进 | 第64-69页 |
| 5.3 小结 | 第69-70页 |
| 第六章 总结与展望 | 第70-72页 |
| 6.1 总结 | 第70页 |
| 6.2 进一步工作 | 第70-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-76页 |
