| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第一章 绪论 | 第8-12页 |
| ·研究背景 | 第8-9页 |
| ·非平衡数据分类的困难 | 第9-10页 |
| ·非平衡数据分类以及SVM 的研究现状 | 第10页 |
| ·本文的主要工作 | 第10-12页 |
| 第二章 支持向量机（SVM）理论 | 第12-22页 |
| ·机器学习问题 | 第12-13页 |
| ·问题的表示 | 第12-13页 |
| ·经验风险最小化 | 第13页 |
| ·统计学习理论 | 第13-16页 |
| ·学习过程的一致性条件 | 第14页 |
| ·VC 维 | 第14-15页 |
| ·推广性的界 | 第15页 |
| ·结构风险最小化 | 第15-16页 |
| ·支持向量机 | 第16-20页 |
| ·最优超平面 | 第16-17页 |
| ·支持向量机分类器 | 第17-19页 |
| ·核函数 | 第19-20页 |
| ·SVM 的特点 | 第20-21页 |
| ·本章小结 | 第21-22页 |
| 第三章 非平衡数据支持向量机分类算法 | 第22-26页 |
| ·传统分类器的设计局限性 | 第22页 |
| ·非平衡支持向量机的性能分析 | 第22-23页 |
| ·非平衡数据问题的分类应对措施 | 第23-24页 |
| ·F-MEASURE 评价函数 | 第24-25页 |
| ·非平衡支持向量机的原模型 | 第24页 |
| ·F-measure | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第四章 支持向量机的参数选择 | 第26-41页 |
| ·支持向量机模型选择的意义及方法 | 第26-27页 |
| ·模型选择的意义 | 第26页 |
| ·模型选择方法简介 | 第26-27页 |
| ·核函数及其参数选择 | 第27-31页 |
| ·核函数的选择 | 第27-30页 |
| ·核参数的调整 | 第30-31页 |
| ·误差惩罚参数 C | 第31页 |
| ·基于遗传算法的支持向量机模型选择 | 第31-40页 |
| ·遗传算法的基本思想 | 第31-32页 |
| ·遗传算法的基本流程 | 第32-33页 |
| ·染色体编码 | 第33-35页 |
| ·适应度函数 | 第35-36页 |
| ·遗传操作 | 第36-40页 |
| ·本章小结 | 第40-41页 |
| 第五章 一种用于非平衡数据的SVM 学习算法 | 第41-46页 |
| ·一种新的非平衡数据分类性能评价函数 | 第41-42页 |
| ·对于非平衡数据的学习参数优化 | 第42-45页 |
| ·学习参数优化 | 第42-43页 |
| ·基于遗传算法的用于非平衡数据SVM 学习参数优化 | 第43-45页 |
| ·小结 | 第45-46页 |
| 第六章 实验与性能说明 | 第46-50页 |
| ·实验平台以及数据集 | 第46页 |
| ·实验数据 | 第46-48页 |
| ·总结 | 第48-50页 |
| 第七章 总结 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 附录A 攻读学位其间发表的论文 | 第54-55页 |
| 致谢 | 第55页 |