多类别不平衡数据的分类方法研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 不平衡数据的分类问题研究现状 | 第9-12页 |
| 1.2.2 多类别数据的分类问题研究现状 | 第12-13页 |
| 1.3 论文主要工作 | 第13-14页 |
| 1.4 论文组织结构 | 第14-15页 |
| 第2章 多类别不平衡数据的分类框架相关研究 | 第15-25页 |
| 2.1 分解策略 | 第15-16页 |
| 2.2 集成规则 | 第16-17页 |
| 2.3 不平衡数据二分类方法 | 第17-24页 |
| 2.3.1 集成学习方法 | 第17-20页 |
| 2.3.2 分类算法 | 第20-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 基于图模型的分解策略与集成规则 | 第25-41页 |
| 3.1 多类别不平衡数据的分类框架处理流程 | 第25-26页 |
| 3.2 图模型的构建 | 第26-30页 |
| 3.2.1 相关定义 | 第26-28页 |
| 3.2.2 图的表示 | 第28-29页 |
| 3.2.3 图的构建算法步骤 | 第29-30页 |
| 3.3 基于图的分解策略与集成规则 | 第30-33页 |
| 3.3.1 基于最大生成树的分解策略 | 第30-32页 |
| 3.3.2 基于结点度数的集成规则 | 第32-33页 |
| 3.4 时间复杂度分析 | 第33页 |
| 3.5 实验结果与分析 | 第33-40页 |
| 3.5.1 实验设置 | 第33-35页 |
| 3.5.2 实验数据介绍 | 第35-36页 |
| 3.5.3 实验预处理 | 第36页 |
| 3.5.4 结果与分析 | 第36-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第4章 基于概率估计的KNN优化分类算法 | 第41-50页 |
| 4.1 k最近邻算法 | 第41-42页 |
| 4.2 概率估计方法 | 第42-43页 |
| 4.3 基于概率估计的KNN优化分类算法 | 第43-46页 |
| 4.3.1 动态k邻域的定义 | 第44页 |
| 4.3.2 基于拉普拉斯估计的KNN算法改进 | 第44-46页 |
| 4.4 实验结果与分析 | 第46-49页 |
| 4.4.1 实验设置 | 第46页 |
| 4.4.2 结果与分析 | 第46-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第5章 总结与展望 | 第50-52页 |
| 5.1 总结 | 第50-51页 |
| 5.2 下一步工作 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 致谢 | 第56-57页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第57页 |
