| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 第1章 引言 | 第9-19页 |
| 1.1 集成学习的研究背景和意义 | 第9-10页 |
| 1.2 集成学习研究和发展现状 | 第10-13页 |
| 1.3 选择性集成学习的研究和发展现状 | 第13-17页 |
| 1.3.1 静态选择性集成学习 | 第13-16页 |
| 1.3.2 动态选择性集成学习 | 第16-17页 |
| 1.4 本文的主要工作 | 第17-18页 |
| 1.5 本文的研究内容与结构 | 第18-19页 |
| 第2章 集成学习研究综述 | 第19-33页 |
| 2.1 集成学习简介 | 第19-21页 |
| 2.1.1 集成学习的概念 | 第19-20页 |
| 2.1.2 集成学习的有效性 | 第20-21页 |
| 2.1.3 集成学习的优势 | 第21页 |
| 2.2 传统集成学习主要算法 | 第21-27页 |
| 2.2.1 Boosting算法 | 第22-25页 |
| 2.2.2 Bagging算法 | 第25-27页 |
| 2.3 选择性集成学习 | 第27-32页 |
| 2.3.1 选择性集成学习的提出 | 第27-28页 |
| 2.3.2 选择性集成学习的理论基础 | 第28-30页 |
| 2.3.3 静态选择性集成学习 | 第30-31页 |
| 2.3.4 动态选择性集成学习 | 第31-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第3章 基于K-means的自适应AdaBoost集成学习 | 第33-44页 |
| 3.1 惰性学习 | 第33-34页 |
| 3.2 K-means聚类 | 第34-35页 |
| 3.3 自适应动态权重AdaBoost算法 | 第35-40页 |
| 3.3.1 基学习器的生成 | 第37页 |
| 3.3.2 基学习器权重计算 | 第37-40页 |
| 3.4 实验结果与分析 | 第40-43页 |
| 3.4.1 实验数据集 | 第40页 |
| 3.4.2 实验结果与分析 | 第40-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 基于LDA主题聚类的自适应随机森林集成学习 | 第44-58页 |
| 4.1 FWLS算法 | 第44-46页 |
| 4.2 LDA主题模型 | 第46-50页 |
| 4.3 自适应动态权重随机森林算法 | 第50-54页 |
| 4.3.1 基学习器的生成 | 第51页 |
| 4.3.2 基学习器权重计算 | 第51-54页 |
| 4.4 实验结果与分析 | 第54-57页 |
| 4.4.1 实验数据集 | 第54页 |
| 4.4.2 实验结果与分析 | 第54-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第5章 总结与展望 | 第58-60页 |
| 5.1 工作总结 | 第58-59页 |
| 5.2 工作展望 | 第59-60页 |
| 参考文献 | 第60-66页 |
| 致谢 | 第66-67页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第67页 |