| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 数据层面的解决方法 | 第9-10页 |
| 1.2.2 算法层面的解决方法 | 第10-11页 |
| 1.3 本文的主要内容 | 第11-12页 |
| 1.3.1 本文的主要工作 | 第11页 |
| 1.3.2 本文采用的主要评价指标 | 第11-12页 |
| 1.4 本文章节安排 | 第12-14页 |
| 2 集成学习介绍 | 第14-22页 |
| 2.1 集成学习概述 | 第14-15页 |
| 2.2 AdaBoost算法介绍 | 第15-18页 |
| 2.2.1 AdaBoost算法 | 第15-16页 |
| 2.2.2 算法的详细说明 | 第16-17页 |
| 2.2.3 AdaBoost算法的几种变体 | 第17-18页 |
| 2.3 Bagging算法介绍 | 第18-20页 |
| 2.3.1 Bagging算法的采样方法 | 第18页 |
| 2.3.2 Bagging算法 | 第18-20页 |
| 2.3.3 Bagging算法与Boosting系列算法的区别和联系 | 第20页 |
| 2.4 集成学习的应用 | 第20-21页 |
| 2.5 本章小结 | 第21-22页 |
| 3 均衡采样方法 | 第22-30页 |
| 3.1 均衡采样方法介绍 | 第22-25页 |
| 3.1.1 均衡采样方法概述 | 第22页 |
| 3.1.2 均衡采样方法主要流程 | 第22-24页 |
| 3.1.3 采样参数设置 | 第24-25页 |
| 3.2 采样过程 | 第25-26页 |
| 3.2.1 过采样和欠采样过程 | 第25页 |
| 3.2.2 随机采样的利与弊 | 第25-26页 |
| 3.3 子分类器的训练和集成 | 第26-28页 |
| 3.3.1 子分类器的训练 | 第26-28页 |
| 3.3.2 集成过程 | 第28页 |
| 3.4 均衡采样的作用和意义 | 第28-29页 |
| 3.5 本章小结 | 第29-30页 |
| 4 均衡采样方法在UCI数据上的实验 | 第30-38页 |
| 4.1 实验背景 | 第30-31页 |
| 4.2 实验过程 | 第31-32页 |
| 4.3 实验结果与讨论 | 第32-37页 |
| 4.3.1 低度不平衡数据集上的实验结果 | 第32-34页 |
| 4.3.2 高度不平衡数据集上的实验结果 | 第34-37页 |
| 4.3.3 实验结果分析 | 第37页 |
| 4.4 本章小结 | 第37-38页 |
| 5 均衡采样算法在蛋白质亚细胞定位预测上的应用 | 第38-49页 |
| 5.1 实验背景 | 第38-40页 |
| 5.1.1 实验概述 | 第38页 |
| 5.1.2 蛋白质亚细胞定位介绍 | 第38-39页 |
| 5.1.3 实验数据介绍 | 第39-40页 |
| 5.2 蛋白质的特征提取 | 第40-42页 |
| 5.3 实验结果与讨论 | 第42-47页 |
| 5.4 本章小结 | 第47-49页 |
| 结论 | 第49-50页 |
| 参考文献 | 第50-54页 |
| 攻读硕士学位期间发表学术论文情况 | 第54-55页 |
| 致谢 | 第55-56页 |