基于集成学习的不平衡数据分类
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-13页 |
| 1.1 研究背景和意义 | 第7-8页 |
| 1.2 不平衡数据分类的发展现状 | 第8-10页 |
| 1.3 主要工作及章节安排 | 第10-13页 |
| 第二章 相关理论介绍 | 第13-25页 |
| 2.1 不平衡样本数据 | 第13-14页 |
| 2.2 数据采样技术 | 第14-19页 |
| 2.2.1 疏采样技术 | 第15-17页 |
| 2.2.2 过采样技术 | 第17-19页 |
| 2.3 不平衡因子 | 第19-20页 |
| 2.4 集成学习 | 第20-24页 |
| 2.4.1 集成学习概述 | 第20-22页 |
| 2.4.2 集成学习在不平衡数据分类中的应用 | 第22-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 基于样本子集优化集成学习的不平衡数据分类 | 第25-33页 |
| 3.1 不平衡数据的特点及采样方法 | 第25-26页 |
| 3.2 样本子集优化算法 | 第26-29页 |
| 3.2.1 疏采样算法及优化思想 | 第26-28页 |
| 3.2.2 样本子集优化算法详细设计 | 第28-29页 |
| 3.3 基于样本子集优化的集成学习算法 | 第29-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 基于边界过采样集成学习的不平衡数据分类 | 第33-39页 |
| 4.1 过采样的算法设计 | 第33-35页 |
| 4.1.1 边界过采样的有效性 | 第33-34页 |
| 4.1.2 基于 KNN 的边界过采样技术 | 第34-35页 |
| 4.2 基于 KNN 边界过采样的集成学习算法 | 第35-37页 |
| 4.3 本章小结 | 第37-39页 |
| 第五章 实验结果及分析 | 第39-51页 |
| 5.1 实验中使用的数据集 | 第39-41页 |
| 5.2 不平衡数据分类的评价准则 | 第41-44页 |
| 5.3 SPBOOST 算法的实验及结果分析 | 第44-46页 |
| 5.3.1 实验设定 | 第44页 |
| 5.3.2 实验结果及分析 | 第44-46页 |
| 5.4 KBOSBOOST 算法的实验及结果分析 | 第46-49页 |
| 5.4.1 实验设定 | 第46-47页 |
| 5.4.2 实验结果及分析 | 第47-49页 |
| 5.5 本章小结 | 第49-51页 |
| 第六章 总结和展望 | 第51-53页 |
| 6.1 总结 | 第51页 |
| 6.2 展望 | 第51-53页 |
| 致谢 | 第53-55页 |
| 参考文献 | 第55-59页 |
