| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 课题的研究背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 重采样技术的研究现状 | 第13-15页 |
| 1.2.2 不平衡数据分类算法的研究现状 | 第15-16页 |
| 1.3 本文主要研究工作及内容安排 | 第16-18页 |
| 第2章 基础知识 | 第18-32页 |
| 2.1 重采样技术相关知识 | 第18-21页 |
| 2.1.1 欠采样技术 | 第18-19页 |
| 2.1.2 过采样技术 | 第19-20页 |
| 2.1.3 组合采样技术和集成采样技术 | 第20-21页 |
| 2.2 机器学习分类算法 | 第21-26页 |
| 2.2.1 逻辑回归算法 | 第21-23页 |
| 2.2.2 KNN算法 | 第23-24页 |
| 2.2.3 决策树算法 | 第24-26页 |
| 2.3 集成学习 | 第26-29页 |
| 2.3.1 集成学习概述 | 第26-27页 |
| 2.3.2 Bagging | 第27-28页 |
| 2.3.3 Boosting | 第28-29页 |
| 2.4 分类器性能评价标准 | 第29-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 面向不平衡数据集的自适应边界合成算法 | 第32-44页 |
| 3.1 BSMOTE算法 | 第32-33页 |
| 3.2 ABSMOTE算法 | 第33-37页 |
| 3.2.1 正类边界样本采样权值的确定 | 第33-35页 |
| 3.2.2 ABSMOTE算法的具体步骤 | 第35-37页 |
| 3.3 实验设计及结果分析 | 第37-42页 |
| 3.3.1 实验环境 | 第37页 |
| 3.3.2 实验数据集 | 第37页 |
| 3.3.3 实验设置 | 第37-38页 |
| 3.3.4 实验结果及分析 | 第38-42页 |
| 3.4 本章小结 | 第42-44页 |
| 第4章 基于不同采样率的混合采样的改进AdaBoost集成算法 | 第44-62页 |
| 4.1 改进的AdaBoost算法 | 第44-47页 |
| 4.1.1 AdaBoost算法 | 第44-46页 |
| 4.1.2 IAdaBoost算法 | 第46-47页 |
| 4.2 IAE-MSD算法 | 第47-53页 |
| 4.2.1 基于不同采样率的过采样集成 | 第49-50页 |
| 4.2.2 基于不同采样率的欠采样集成 | 第50-52页 |
| 4.2.3 数据子集采样率的确定 | 第52-53页 |
| 4.2.4 个体学习器集成 | 第53页 |
| 4.3 实验设计及结果分析 | 第53-61页 |
| 4.3.1 实验环境与实验数据集 | 第53页 |
| 4.3.2 实验设置 | 第53-54页 |
| 4.3.3 实验结果及分析 | 第54-61页 |
| 4.4 本章小结 | 第61-62页 |
| 第5章 基于瀑布型混合技术的异常检测算法 | 第62-74页 |
| 5.1 相关研究 | 第62-65页 |
| 5.1.1 iForest算法 | 第62-64页 |
| 5.1.2 LOF算法 | 第64-65页 |
| 5.1.3 瀑布型混合技术 | 第65页 |
| 5.2 iForest-WHT算法 | 第65-67页 |
| 5.2.1 iForest-WHT算法思想 | 第65-67页 |
| 5.2.2 iForest-WHT算法时间复杂度 | 第67页 |
| 5.3 实验设计及结果分析 | 第67-73页 |
| 5.3.1 实验环境 | 第67-68页 |
| 5.3.2 实验数据集 | 第68-69页 |
| 5.3.3 实验设置 | 第69页 |
| 5.3.4 实验结果及分析 | 第69-73页 |
| 5.4 本章小结 | 第73-74页 |
| 第6章 总结与展望 | 第74-76页 |
| 6.1 全文总结 | 第74-75页 |
| 6.2 未来展望 | 第75-76页 |
| 参考文献 | 第76-82页 |
| 作者简介及科研成果 | 第82-84页 |
| 致谢 | 第84-85页 |