数据分类算法性能的大规模实验对比分析
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 1 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文研究内容 | 第13页 |
| 1.4 文本组织结构 | 第13-16页 |
| 2 相关工作 | 第16-38页 |
| 2.1 多类分类技术 | 第16-27页 |
| 2.1.1 决策树分类算法 | 第16-19页 |
| 2.1.2 支持向量机 | 第19-20页 |
| 2.1.3 k最近邻分类算法 | 第20-21页 |
| 2.1.4 AdaBoost算法 | 第21-22页 |
| 2.1.5 朴素贝叶斯算法 | 第22-23页 |
| 2.1.6 逻辑回归算法 | 第23-24页 |
| 2.1.7 超限学习机 | 第24页 |
| 2.1.8 基于稀疏表示的分类算法 | 第24-25页 |
| 2.1.9 深度学习 | 第25-26页 |
| 2.1.10 多类分类技术对比分析 | 第26-27页 |
| 2.2 从二元类到多元类的分类技术 | 第27-32页 |
| 2.2.1 OVA和OVO技术 | 第28-29页 |
| 2.2.2 ECOC技术 | 第29-32页 |
| 2.3 集成学习技术 | 第32-34页 |
| 2.4 分类性能的评估标准 | 第34-35页 |
| 2.5 本章小结 | 第35-38页 |
| 3 多类分类算法大规模实验对比分析 | 第38-58页 |
| 3.1 大规模实验设计 | 第38-44页 |
| 3.1.1 实验数据 | 第38-40页 |
| 3.1.2 多类分类算法 | 第40-41页 |
| 3.1.3 最优参数选择 | 第41-44页 |
| 3.2 实验结果分析 | 第44-54页 |
| 3.2.1 多类分类算法性能分析 | 第44-47页 |
| 3.2.2 多类分类算法组合性能分析 | 第47-49页 |
| 3.2.3 分类算法一对一比较分析 | 第49-54页 |
| 3.3 本章小结 | 第54-58页 |
| 4 多元分类器问题中的二元分类器组合方法的研究 | 第58-74页 |
| 4.1 大规模实验设计 | 第58-59页 |
| 4.2 实验结果分析 | 第59-70页 |
| 4.2.1 OVA和OVO实验结果分析 | 第59-64页 |
| 4.2.2 ECOC实验结果分析 | 第64-70页 |
| 4.3 本章小结 | 第70-74页 |
| 5 总结及展望 | 第74-76页 |
| 参考文献 | 第76-80页 |
| 附录A 实验数据基本信息 | 第80-86页 |
| 致谢 | 第86-88页 |
| 攻读学位期间发表的学术论文 | 第88-89页 |
