| 摘要 | 第1-8页 |
| ABSTRACT | 第8-10页 |
| 第一章 绪论 | 第10-15页 |
| ·研究背景 | 第10-11页 |
| ·国内外研究现状 | 第11-13页 |
| ·本文的主要研究内容 | 第13页 |
| ·本文的组织结构 | 第13-14页 |
| ·本章小结 | 第14-15页 |
| 第二章 分类算法理论基础 | 第15-23页 |
| ·分类方法概述 | 第15-16页 |
| ·分类器设计过程 | 第16-17页 |
| ·常用的分类算法研究 | 第17-21页 |
| ·朴素贝叶斯算法 | 第17页 |
| ·KNN 算法(K-Nearest Neighbor) | 第17-18页 |
| ·支持向量机（SVM） | 第18-19页 |
| ·神经网络 | 第19-20页 |
| ·决策树算法 | 第20-21页 |
| ·分类器性能评估方法 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 第三章 集成学习相关知识 | 第23-33页 |
| ·集成学习的基本概念 | 第23-24页 |
| ·集成学习的作用 | 第24-25页 |
| ·集成学习的个体生成和结论合成 | 第25-27页 |
| ·个体生成方式 | 第25-26页 |
| ·结论合成方式 | 第26-27页 |
| ·分类器的选择准则 | 第27页 |
| ·集成学习的主要算法介绍 | 第27-30页 |
| ·Boosting 算法理论 | 第27-29页 |
| ·Bagging 算法 | 第29页 |
| ·AdaBoost 与Bagging 的区别 | 第29-30页 |
| ·选择性集成学习 | 第30页 |
| ·集成学习的不足和研究方向 | 第30-31页 |
| ·集成学习的不足 | 第30-31页 |
| ·集成学习的研究方向 | 第31页 |
| ·本章小结 | 第31-33页 |
| 第四章 标记错分样本的AdaBoost 算法 | 第33-39页 |
| ·AdaBoost 算法 | 第33-34页 |
| ·标记错分样本的AdaBoost 算法 | 第34-35页 |
| ·实验结果以及实验分析 | 第35-37页 |
| ·实验结果 | 第35-37页 |
| ·算法收敛性能的比较 | 第37页 |
| ·本章小结 | 第37-39页 |
| 第五章 基于模糊聚类算法的Bagging 集成 | 第39-44页 |
| ·模糊C 均值算法 | 第39-40页 |
| ·Bagging 算法 | 第40-41页 |
| ·F-Bagging 算法 | 第41-42页 |
| ·实验数据和实验结果 | 第42-43页 |
| ·实验数据 | 第42页 |
| ·实验结果以及实验分析 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 第六章 总结与展望 | 第44-46页 |
| ·总结 | 第44-45页 |
| ·下一步的工作 | 第45-46页 |
| 参考文献 | 第46-49页 |
| 攻读学位期间的科研情况 | 第49-50页 |
| 致谢 | 第50页 |