| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.1.1 数据流挖掘 | 第10页 |
| 1.1.2 PU (Positive Unlabeled)学习 | 第10-11页 |
| 1.1.3 代价敏感学习 | 第11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 数据流挖掘研究 | 第11-12页 |
| 1.2.2 PU学习 | 第12页 |
| 1.2.3 代价敏感学习 | 第12-14页 |
| 1.3 研究内容和方法 | 第14-15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 第二章 相关算法介绍 | 第17-24页 |
| 2.1 数据流分类算法 | 第17-19页 |
| 2.1.1 基于Hoeffding边界的快速决策树VFDT算法 | 第17-19页 |
| 2.1.2 概念自适应快速决策树CVFDT算法 | 第19页 |
| 2.2 代价敏感学习算法 | 第19-20页 |
| 2.3 基于决策树的PU学习算法（POSC4.5） | 第20-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 PU数据流代价敏感决策树研究 | 第24-37页 |
| 3.1 问题定义 | 第24页 |
| 3.2 PU数据流正负样例估计 | 第24-25页 |
| 3.3 代价敏感分裂属性选择 | 第25-28页 |
| 3.4 构建决策树 | 第28-35页 |
| 3.4.1 代价树训练 | 第29-33页 |
| 3.4.2 代价树增长 | 第33-34页 |
| 3.4.3 最优代价树选择 | 第34-35页 |
| 3.5 总代价计算 | 第35-36页 |
| 3.6 本章小结 | 第36-37页 |
| 第四章 实验结果及分析 | 第37-44页 |
| 4.1 实验设置 | 第37-38页 |
| 4.2 数据集改造 | 第38页 |
| 4.3 性能分析 | 第38-41页 |
| 4.3.1 移动超平面实验分析 | 第39页 |
| 4.3.2 SEA实验分析 | 第39-41页 |
| 4.4 参数分析 | 第41页 |
| 4.4.1 参数n_min分析 | 第41页 |
| 4.4.2 参数 w 分析 | 第41页 |
| 4.5 节点数分析 | 第41-43页 |
| 4.5.1 移动超平面实验分析 | 第42页 |
| 4.5.2 SEA实验分析 | 第42-43页 |
| 4.6 本章小结 | 第43-44页 |
| 第五章 总结与展望 | 第44-45页 |
| 5.1 总结 | 第44页 |
| 5.2 展望 | 第44-45页 |
| 参考文献 | 第45-48页 |
| 致谢 | 第48-49页 |
| 作者简介 | 第49页 |
