| 提要 | 第5-6页 |
| 摘要 | 第6-8页 |
| Abstract | 第8-10页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 模型选择的本质 | 第13-15页 |
| 1.2 研究背景和研究意义 | 第15-18页 |
| 1.3 本文的组织结构 | 第18-19页 |
| 第2章 相关工作 | 第19-33页 |
| 2.1 模型选择的相关定理和原则 | 第19-20页 |
| 2.1.1 “没有免费的午餐”定理 | 第19页 |
| 2.1.2 丑小鸭定理 | 第19-20页 |
| 2.1.3 最小描述长度原理 | 第20页 |
| 2.2 有关“过拟合”的讨论 | 第20-21页 |
| 2.3 重采样技术 | 第21-23页 |
| 2.3.1 刀切法 | 第21页 |
| 2.3.2 自助法 | 第21-22页 |
| 2.3.3 保持方法 | 第22页 |
| 2.3.4 交叉验证 | 第22-23页 |
| 2.3.5 过采样和欠采样 | 第23页 |
| 2.4 模型选择的评价指标 | 第23-26页 |
| 2.4.1 两种信息准则 | 第23-24页 |
| 2.4.2 统计检验方法 | 第24页 |
| 2.4.3 聚类评估 | 第24页 |
| 2.4.4 偏差和方差 | 第24-25页 |
| 2.4.5 接收者操作特征曲线 | 第25-26页 |
| 2.5 模型平均 | 第26-32页 |
| 2.5.1 提升 | 第29-30页 |
| 2.5.2 装袋 | 第30页 |
| 2.5.3 层叠泛化 | 第30-31页 |
| 2.5.4 随机子空间方法 | 第31-32页 |
| 2.6 本文的研究内容 | 第32-33页 |
| 第3章 基于分辨粒度的gROC曲线分析方法 | 第33-51页 |
| 3.1 ROC曲线概述 | 第33-34页 |
| 3.2 ROC曲线研究现状 | 第34-36页 |
| 3.3 gROC曲线分析方法 | 第36-44页 |
| 3.3.1 gROC及gAUC模型相关定义 | 第36-38页 |
| 3.3.2 性质分析 | 第38-40页 |
| 3.3.3 基于gROC的模型选择 | 第40-42页 |
| 3.3.4 gROC分析相关度量的计算 | 第42-44页 |
| 3.4 实验分析 | 第44-48页 |
| 3.4.1 ROC不确定性的分析 | 第44页 |
| 3.4.2 gROC与置信带的比较 | 第44-46页 |
| 3.4.3 基于近似加权AUC的模型选择 | 第46-48页 |
| 3.5 小结 | 第48-51页 |
| 第4章 wAUC与其他性能度量的比较 | 第51-65页 |
| 4.1 相关工作 | 第51-53页 |
| 4.2 一种加权的分类器性能度量——wAUC | 第53-55页 |
| 4.2.1 权重的选择 | 第53-54页 |
| 4.2.2 加权AUC | 第54-55页 |
| 4.3 实验分析 | 第55-61页 |
| 4.3.1 等高线分析 | 第55-58页 |
| 4.3.2 仿真分析 | 第58-61页 |
| 4.4 秩相关分析 | 第61-63页 |
| 4.5 结论 | 第63-65页 |
| 第5章 XML文档分类的IL-AdaBoost算法 | 第65-75页 |
| 5.1 相关工作 | 第65-67页 |
| 5.2 特征空间的构建 | 第67-68页 |
| 5.3 XML文档分类的IL-AdaBoost算法 | 第68-70页 |
| 5.3.1 增量学习 | 第68-69页 |
| 5.3.2 采样机制 | 第69页 |
| 5.3.3 决策树桩 | 第69页 |
| 5.3.4 IL-AdaBoost算法 | 第69-70页 |
| 5.4 实验 | 第70-73页 |
| 5.4.1 实验设置 | 第70页 |
| 5.4.2 特征分类能力分析 | 第70-71页 |
| 5.4.3 迭代次数与测试误差 | 第71-72页 |
| 5.4.4 基本分类器选择 | 第72-73页 |
| 5.4.5 泊松分布参数对算法的影响 | 第73页 |
| 5.5 小结 | 第73-75页 |
| 第6章 总结与展望 | 第75-77页 |
| 6.1 本文总结 | 第75-76页 |
| 6.2 工作展望 | 第76-77页 |
| 参考文献 | 第77-83页 |
| 作者简介及在学期间所取得的科研成果 | 第83-84页 |
| 在学期间参加的科研项目 | 第84-85页 |
| 致谢 | 第85页 |