| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 研究背景与研究目的 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-14页 |
| 1.2.1 数据层面 | 第9-11页 |
| 1.2.2 算法层面 | 第11-14页 |
| 1.3 主要研究内容 | 第14页 |
| 1.4 章节结构安排 | 第14-15页 |
| 1.5 本章小结 | 第15-16页 |
| 第2章 不平衡样本分类基础研究 | 第16-25页 |
| 2.1 不平衡样本概述 | 第16-19页 |
| 2.1.1 样本稀缺 | 第17-18页 |
| 2.1.2 样本边界重叠 | 第18页 |
| 2.1.3 数据碎片 | 第18-19页 |
| 2.1.4 噪音样本 | 第19页 |
| 2.2 分类方法的研究 | 第19-21页 |
| 2.2.1 基于采样方法的处理方法 | 第19-20页 |
| 2.2.2 基于集成学习的处理方法 | 第20-21页 |
| 2.3 评价标准 | 第21-24页 |
| 2.3.1 原子标准 | 第22-23页 |
| 2.3.2 复合标准 | 第23页 |
| 2.3.3 受试者曲线 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 基于边界样本分布信息的混合采样方法 | 第25-40页 |
| 3.1 基于边界样本分布信息的混合采样方法研究 | 第25-27页 |
| 3.1.1 高密度不平衡样本特性分析 | 第25-26页 |
| 3.1.2 克服高密度特性解决方案的研究 | 第26-27页 |
| 3.2 Distinct-Borderline算法描述 | 第27-31页 |
| 3.3 对比实验与结果分析 | 第31-39页 |
| 3.3.1 实验数据描述 | 第31页 |
| 3.3.2 实验相关参数设置与验证评价方法 | 第31-34页 |
| 3.3.3 Distinct-Borderline算法的优越性验证 | 第34-37页 |
| 3.3.4 Distinct-Borderline算法对高密度特性不平衡样本的优越性验证 | 第37-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 基于集成学习的高密度不平衡样本分类方法 | 第40-53页 |
| 4.1 集成学习在不平衡样本分类问题中应用的研究 | 第40-43页 |
| 4.1.1 集成学习方法处理高密度不平衡样本分类问题的研究 | 第40-42页 |
| 4.1.2 集成学习方法处理高密度不平衡样本分类中问题的解决方案 | 第42-43页 |
| 4.2 DBBoost算法描述 | 第43-46页 |
| 4.3 对比实验与结果分析 | 第46-52页 |
| 4.3.1 实验方案描述及相关基础介绍 | 第46-48页 |
| 4.3.2 DBBoost算法中权值分配策略的有效性验证 | 第48-50页 |
| 4.3.3 DBBoost算法对高密度不平衡样本分类问题优越性的对比验证 | 第50-52页 |
| 4.4 本章小结 | 第52-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第58-60页 |
| 致谢 | 第60页 |
