| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景和研究意义 | 第11-12页 |
| 1.2 国内外研究动态 | 第12-14页 |
| 1.3 本文的研究内容 | 第14-15页 |
| 1.4 本文的章节安排 | 第15-16页 |
| 第2章 不平衡数据集研究 | 第16-25页 |
| 2.1 不平衡数据集 | 第16页 |
| 2.2 不平衡数据集的分类学习的难点 | 第16-18页 |
| 2.3 不平衡数据学习的主要方法 | 第18-22页 |
| 2.3.1 基于数据层面的方法 | 第18-20页 |
| 2.3.2 基于算法层面的方法 | 第20-22页 |
| 2.4 不平衡数据的评价准则 | 第22-24页 |
| 2.4.1 F-measure准则 | 第23页 |
| 2.4.2 G-mean准则 | 第23-24页 |
| 2.4.3 ROC曲线以及AUC | 第24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 基于数据密度分布的欠采样方法 | 第25-31页 |
| 3.1 基于数据密度分布的欠采样方法 | 第25-27页 |
| 3.1.1 US-DD算法思想 | 第25-26页 |
| 3.1.2 数据密度 | 第26页 |
| 3.1.3 US-DD算法描述 | 第26-27页 |
| 3.2 实验过程与结果分析 | 第27-30页 |
| 3.2.1 实验数据集 | 第27-28页 |
| 3.2.2 实验结果与分析 | 第28-30页 |
| 3.3 本章小结 | 第30-31页 |
| 第4章 基于属性偏向的过采样方法 | 第31-39页 |
| 4.1 SMOTE方法 | 第31-32页 |
| 4.2 SMOTE方法的不足之处 | 第32-33页 |
| 4.3 基于属性偏向的过采样方法 | 第33-38页 |
| 4.3.1 GE-SMOTE算法思想 | 第33页 |
| 4.3.2 GE-SMOTE算法描述 | 第33-36页 |
| 4.3.3 实验结果与分析 | 第36-38页 |
| 4.4 本章小结 | 第38-39页 |
| 第5章 综合重采样的集成学习方法研究 | 第39-44页 |
| 5.1 DataBoost-IM算法的不足 | 第39页 |
| 5.2 综合重采样的集成算法DataBoost-DG | 第39-42页 |
| 5.2.1 US-DD在DataBoost-DG中的作用 | 第39-40页 |
| 5.2.2 GE-SMOTE在DataBoost-DG中的作用 | 第40-41页 |
| 5.2.3 DataBoost-DG算法步骤 | 第41-42页 |
| 5.3 实验与结果分析 | 第42-43页 |
| 5.4 本章小结 | 第43-44页 |
| 结论 | 第44-46页 |
| 参考文献 | 第46-49页 |
| 攻读硕士学位期间发表的学术论文 | 第49-50页 |
| 致谢 | 第50页 |
