| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-19页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 不平衡数据的研究现状 | 第11-14页 |
| 1.2.1.1 不平衡数据的分类难点 | 第12-13页 |
| 1.2.1.2 针对不平衡数据的处理方法 | 第13-14页 |
| 1.2.2 离群点检测的研究现状 | 第14-16页 |
| 1.3 本文的研究内容 | 第16-17页 |
| 1.4 本文的组织结构 | 第17-19页 |
| 2 相关理论概述 | 第19-31页 |
| 2.1 数据挖掘 | 第19-21页 |
| 2.1.1 数据挖掘定义 | 第19页 |
| 2.1.2 数据挖掘任务 | 第19-20页 |
| 2.1.3 分类 | 第20-21页 |
| 2.2 离群点检测 | 第21-23页 |
| 2.2.1 离群点概述 | 第21-22页 |
| 2.2.2 现有的离群点检测方法 | 第22-23页 |
| 2.2.3 离群点检测的应用 | 第23页 |
| 2.3 不平衡数据的处理 | 第23-26页 |
| 2.3.1 不平衡数据的定义 | 第23-24页 |
| 2.3.2 不平衡数据的分类 | 第24页 |
| 2.3.3 不平衡数据的评价标准 | 第24-26页 |
| 2.4 聚类 | 第26-31页 |
| 2.4.1 聚类概述 | 第26-27页 |
| 2.4.2 聚类分析的数据类型 | 第27页 |
| 2.4.3 聚类数据的标准化 | 第27-28页 |
| 2.4.4 聚类分析的相异度度量 | 第28-29页 |
| 2.4.5 聚类分析方法 | 第29-31页 |
| 3 基于加权重叠距离的K-modes聚类算法 | 第31-37页 |
| 3.1 引言 | 第31-32页 |
| 3.2 粗糙集理论 | 第32-33页 |
| 3.3 相异度度量函数 | 第33-34页 |
| 3.4 WODKM算法 | 第34-35页 |
| 3.5 实验结果分析 | 第35-36页 |
| 3.6 本章小结 | 第36-37页 |
| 4 不平衡数据混合采样算法HS_WODKM | 第37-44页 |
| 4.1 不平衡数据的处理方法 | 第37-39页 |
| 4.1.1 数据层面 | 第37-38页 |
| 4.1.2 算法层面 | 第38-39页 |
| 4.2 SMOTE算法 | 第39-40页 |
| 4.3 HS_WODKM算法 | 第40-41页 |
| 4.4 实验结果及分析 | 第41-43页 |
| 4.4.1 实验数据及算法参数设置 | 第41-42页 |
| 4.4.2 评价标准 | 第42页 |
| 4.4.3 实验结果与分析 | 第42-43页 |
| 4.5 本章小结 | 第43-44页 |
| 5 基于混合采样与集成学习的离群点检测 | 第44-58页 |
| 5.1 离群点检测概述 | 第44-46页 |
| 5.1.1 离群点的成因 | 第44-45页 |
| 5.1.2 离群点检测的分类 | 第45页 |
| 5.1.3 离群点检测的研究问题 | 第45-46页 |
| 5.2 基于HS_WODKM与集成学习的离群点检测方法 | 第46-47页 |
| 5.3 实验结果 | 第47-57页 |
| 5.3.1 实验数据分析 | 第47-53页 |
| 5.3.2 实验环境与实验数据准备 | 第53-55页 |
| 5.3.3 实验步骤与设置 | 第55页 |
| 5.3.4 实验结果 | 第55-57页 |
| 5.4 本章小结 | 第57-58页 |
| 6 总结与展望 | 第58-60页 |
| 参考文献 | 第60-67页 |
| 致谢 | 第67-68页 |
| 攻读硕士期间发表的学术论文 | 第68-69页 |