基于支持向量机的不平衡数据分类算法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第14-24页 |
| 1.1 研究背景与意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-22页 |
| 1.2.1 不平衡数据分类的改进算法 | 第15-18页 |
| 1.2.2 不平衡数据分类的评价指标 | 第18-22页 |
| 1.3 研究内容 | 第22页 |
| 1.4 论文结构 | 第22-23页 |
| 1.5 本章小结 | 第23-24页 |
| 2 支持向量机理论基础 | 第24-37页 |
| 2.1 概述 | 第24-25页 |
| 2.2 机器学习的基本方法 | 第25-26页 |
| 2.2.1 学习问题的描述 | 第25-26页 |
| 2.2.2 经验风险最小化原则 | 第26页 |
| 2.3 统计学习理论 | 第26-27页 |
| 2.3.1 学习一致性问题 | 第26页 |
| 2.3.2 VC维 | 第26-27页 |
| 2.3.3 结构风险最小化 | 第27页 |
| 2.4 支持向量机 | 第27-36页 |
| 2.4.1 二维平面的线性分类 | 第28-29页 |
| 2.4.2 函数间隔和几何间隔 | 第29页 |
| 2.4.3 最大间隔分类器 | 第29-30页 |
| 2.4.4 硬间隔线性SVM | 第30-35页 |
| 2.4.5 软间隔线性SVM | 第35页 |
| 2.4.6 非线性SVM | 第35-36页 |
| 2.5 本章小结 | 第36-37页 |
| 3 基于SVM的不平衡数据分类算法分析 | 第37-47页 |
| 3.1 面向不平衡数据的SVM分类缺陷分析 | 第37-41页 |
| 3.1.1 类间不平衡 | 第37-39页 |
| 3.1.2 样本数量较少 | 第39-40页 |
| 3.1.3 类内不平衡 | 第40-41页 |
| 3.1.4 数据交叠与噪声点 | 第41页 |
| 3.1.5 SVM训练算法 | 第41页 |
| 3.2 典型的改进方法分析 | 第41-45页 |
| 3.2.1 典型的重采样技术 | 第42-44页 |
| 3.2.2 典型的SVM改进算法 | 第44-45页 |
| 3.3 改进方法的不足分析 | 第45-46页 |
| 3.4 本章小结 | 第46-47页 |
| 4 一种新的SVM不平衡分类算法HSVM | 第47-65页 |
| 4.1 HSVM算法 | 第47-52页 |
| 4.1.1 前处理 | 第48-49页 |
| 4.1.2 SVM训练 | 第49页 |
| 4.1.3 后处理 | 第49-52页 |
| 4.2 实验结果及分析 | 第52-64页 |
| 4.2.1 测试方法 | 第52-53页 |
| 4.2.2 算法参数选取 | 第53-54页 |
| 4.2.3 人工数据集仿真 | 第54-56页 |
| 4.2.4 现实世界不平衡数据集仿真 | 第56-60页 |
| 4.2.5 统计检验 | 第60-64页 |
| 4.3 本章小结 | 第64-65页 |
| 5 总结与展望 | 第65-67页 |
| 5.1 论文研究工作总结 | 第65-66页 |
| 5.2 今后工作展望 | 第66-67页 |
| 参考文献 | 第67-72页 |
| 作者简历 | 第72-73页 |
| 作者攻读硕士学位期间发表的论文 | 第73页 |
