| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 机器学习与分类问题 | 第14-16页 |
| 1.1.1 机器学习 | 第14-15页 |
| 1.1.2 分类问题 | 第15-16页 |
| 1.2 不平衡数据分类问题 | 第16-19页 |
| 1.2.1 不平衡数据分类问题特点 | 第16-17页 |
| 1.2.2 不平衡数据分类问题的研究现状 | 第17-19页 |
| 1.3 本文的主要工作和组织结构 | 第19-22页 |
| 第二章 核逻辑回归模型 | 第22-32页 |
| 2.1 逻辑回归模型 | 第22-26页 |
| 2.1.1 线性回归 | 第22页 |
| 2.1.2 梯度下降法 | 第22-24页 |
| 2.1.3 逻辑回归分类模型 | 第24-26页 |
| 2.2 核逻辑回归模型 | 第26-30页 |
| 2.2.1 核函数方法与支持向量机 | 第26-28页 |
| 2.2.2 过拟合与正则化 | 第28-29页 |
| 2.2.3 核逻辑回归分类模型 | 第29-30页 |
| 2.3 本章小结 | 第30-32页 |
| 第三章 核逻辑回归模型在不平衡分类问题上的算法研究 | 第32-42页 |
| 3.1 不平衡分类结果评价标准 | 第32-34页 |
| 3.1.1 混淆矩阵 | 第32-33页 |
| 3.1.2 受试者工作特征曲线 | 第33-34页 |
| 3.2 面向不平衡数据分类问题的核逻辑回归算法 | 第34-38页 |
| 3.2.1 超参数与偏置项的选择过程与择优标准 | 第34-36页 |
| 3.2.2 模型超参数网格搜索法 | 第36-38页 |
| 3.2.3 模型偏置项临界值方法 | 第38页 |
| 3.3 算法的具体步骤 | 第38-41页 |
| 3.3.1 超参数设置 | 第39页 |
| 3.3.2 偏置项设置 | 第39-40页 |
| 3.3.3 分类模型的评价 | 第40-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 实验及结果分析 | 第42-52页 |
| 4.1 实验设计 | 第42-45页 |
| 4.1.1 实验数据 | 第42-44页 |
| 4.1.2 参数设置 | 第44-45页 |
| 4.2 实验结果 | 第45-51页 |
| 4.2.1 基于权重均等评价标准的学习算法实验结果 | 第45-47页 |
| 4.2.2 基于权重偏向评价标准的学习算法实验结果 | 第47-49页 |
| 4.2.3 实验结果分析及进一步实验的设计和结果 | 第49-51页 |
| 4.3 本章小结 | 第51-52页 |
| 第五章 结论与展望 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-60页 |
| 作者简介 | 第60页 |
