| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 本文主要工作 | 第11-12页 |
| 1.4 本文章节安排 | 第12-13页 |
| 第二章 相关理论知识 | 第13-28页 |
| 2.1 分类 | 第13-19页 |
| 2.1.1 分类基本概念 | 第13-14页 |
| 2.1.2 分类模型评估方法 | 第14-15页 |
| 2.1.3 分类常用算法 | 第15-19页 |
| 2.2 集成学习 | 第19-24页 |
| 2.2.1 集成学习的基本概念 | 第19-20页 |
| 2.2.2 集成学习的算法框架 | 第20-23页 |
| 2.2.3 集成学习的分析评价方法 | 第23-24页 |
| 2.3 Boosting | 第24-27页 |
| 2.3.1 AdaBoost算法 | 第24-25页 |
| 2.3.2 AdaBoost.M1算法 | 第25页 |
| 2.3.3 AdaBoost.M2算法 | 第25-27页 |
| 2.4 小结 | 第27-28页 |
| 第三章 AdaBoost的多样性分析及改进 | 第28-36页 |
| 3.1 问题描述 | 第28页 |
| 3.2 成对型多样性度量 | 第28-29页 |
| 3.3 基于DF改进AdaBoost算法 | 第29-32页 |
| 3.3.1 算法分析 | 第29-30页 |
| 3.3.2 改进弱分类器的选择策略 | 第30-31页 |
| 3.3.3 基于DF的弱分类器算法 | 第31-32页 |
| 3.4 实验结果及分析 | 第32-35页 |
| 3.4.1 实验环境及实验数据 | 第32页 |
| 3.4.2 实验一结果分析 | 第32-34页 |
| 3.4.3 实验二结果分析 | 第34-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 基于聚类和AdaBoost的自适应集成方法 | 第36-44页 |
| 4.1 问题描述 | 第36页 |
| 4.2 融合聚类和AdaBoost的自适应集成方法 | 第36-40页 |
| 4.2.1 算法思想 | 第36-38页 |
| 4.2.2 训练样本分组训练 | 第38-39页 |
| 4.2.3 分类器自适应权值计算 | 第39-40页 |
| 4.2.4 算法总过程 | 第40页 |
| 4.3 实验结果及分析 | 第40-43页 |
| 4.3.1 实验环境及实验数据 | 第40-41页 |
| 4.3.2 实验结果分析 | 第41-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第五章 基于AdaBoost的不平衡多分类方法 | 第44-55页 |
| 5.1 问题描述 | 第44-45页 |
| 5.2 特征选择 | 第45-48页 |
| 5.2.1 基于SPSO的特征选择方法 | 第45-46页 |
| 5.2.2 度量指标AUCarea | 第46-48页 |
| 5.3 RealAdaBoost算法 | 第48页 |
| 5.4 SPSO-R-AdaBoost算法 | 第48-50页 |
| 5.5 实验结果及分析 | 第50-53页 |
| 5.5.1 实验环境及实验数据 | 第50页 |
| 5.5.2 实验结果分析 | 第50-53页 |
| 5.6 本章小结 | 第53-55页 |
| 第六章 主要结论与展望 | 第55-57页 |
| 6.1 主要结论 | 第55-56页 |
| 6.2 展望 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 附录:作者在攻读硕士学位期间发表的论文 | 第63页 |