面向非均衡数据集的机器学习及在地学数据处理中的应用
| 摘要 | 第1-11页 |
| AB5TRACT | 第11-19页 |
| 第一章 前言 | 第19-29页 |
| ·问题的提出 | 第19-21页 |
| ·选题的来源 | 第19页 |
| ·选题的目的和意义 | 第19-21页 |
| ·研究的背景 | 第21-24页 |
| ·选题的国内外研究现状 | 第21页 |
| ·选题的发展趋势 | 第21-23页 |
| ·存在问题 | 第23-24页 |
| ·本课题的研究内容及主要创新点 | 第24-26页 |
| ·论文的组织结构 | 第26-29页 |
| 第二章 不均衡数据集的机器学习 | 第29-37页 |
| ·机器学习及其研究现状 | 第29-32页 |
| ·概述 | 第29-31页 |
| ·机器学习研究现状 | 第31-32页 |
| ·机器学习方法与分类器设计 | 第32-33页 |
| ·机器学习方法 | 第32页 |
| ·机器学习方法对分类器设计的影响 | 第32-33页 |
| ·不均衡数据集分类问题的难点 | 第33-35页 |
| ·不恰当的评价标准 | 第33页 |
| ·数据缺乏 | 第33-34页 |
| ·数据碎片 | 第34页 |
| ·噪声 | 第34-35页 |
| ·不恰当的归纳偏置 | 第35页 |
| ·机器学习技术在地学信息处理中的应用 | 第35-37页 |
| 第三章 分类技术及其结果评估 | 第37-55页 |
| ·分类技术和典型的分类算法 | 第37-43页 |
| ·分类技术 | 第37-38页 |
| ·典型的分类算法 | 第38-43页 |
| ·分类器性能的评估方法 | 第43-45页 |
| ·保持法 | 第43-44页 |
| ·随机二次抽样 | 第44页 |
| ·K-折交叉验证 | 第44页 |
| ·留一法 | 第44-45页 |
| ·自助法 | 第45页 |
| ·分类器性能的评估指标 | 第45-54页 |
| ·常用的分类器性能数值评价指标 | 第45-46页 |
| ·分类器性能可视化评价指标 | 第46-49页 |
| ·评价指标所存在的问题 | 第49-52页 |
| ·扩展的复合数值分类性能评价指标 | 第52-54页 |
| ·本章小结 | 第54-55页 |
| 第四章 典型的数据降维方法及其应用 | 第55-77页 |
| ·概述 | 第55-57页 |
| ·降维问题的提出 | 第55-56页 |
| ·降维的定义 | 第56-57页 |
| ·降维的分类 | 第57页 |
| ·典型数据降维方法 | 第57-66页 |
| ·线性降维方法 | 第57-62页 |
| ·非线性降维方法 | 第62-66页 |
| ·降维技术在地学数据处理中的应用 | 第66-75页 |
| ·PCA降维技术在边坡稳定性测试中的应用 | 第66-70页 |
| ·Isomap降维在瓦斯突出预测中的应用 | 第70-75页 |
| ·本章小结 | 第75-77页 |
| 第五章 混合重取样算法 | 第77-112页 |
| ·不均衡数据集重取样方法 | 第77-82页 |
| ·简单重取样方法 | 第78页 |
| ·高级重取样算法 | 第78-82页 |
| ·自适应选择近邻的混合重取样算法 | 第82-97页 |
| ·SMOTE方法存在的问题 | 第82-83页 |
| ·自适应选择近邻的混合重取样算法 | 第83-89页 |
| ·实验平台的构建 | 第89-90页 |
| ·仿真实验 | 第90-97页 |
| ·降维混合重取样方法 | 第97-100页 |
| ·降维混合重取样算法 | 第97页 |
| ·仿真实验 | 第97-100页 |
| ·重取样算法在岩爆发生可能性识别预测中的应用 | 第100-111页 |
| ·引言 | 第100页 |
| ·岩爆的预测方法 | 第100-102页 |
| ·重取样方法在岩爆预测中的应用 | 第102-110页 |
| ·结论 | 第110-111页 |
| ·本章小结 | 第111-112页 |
| 第六章 非均衡数据集的代价敏感学习 | 第112-126页 |
| ·代价敏感学习的相关研究 | 第112-117页 |
| ·代价的类型 | 第112-114页 |
| ·代价敏感学习 | 第114-115页 |
| ·代价敏感学习算法的评价指标 | 第115页 |
| ·典型的代价敏感学习算法 | 第115-117页 |
| ·两类代价敏感学习算法的实验比较 | 第117-121页 |
| ·Sick数据集实验 | 第118-119页 |
| ·Hepatitis数据集实验 | 第119-120页 |
| ·Ionosphere数据集实验 | 第120页 |
| ·实验结果分析 | 第120-121页 |
| ·基于重取样的最小误分类代价敏感学习算法 | 第121-125页 |
| ·实验数据及设置 | 第121-122页 |
| ·实验结果与分析 | 第122-125页 |
| ·本章小结 | 第125-126页 |
| 第七章 结论与展望 | 第126-130页 |
| ·结论 | 第126-128页 |
| ·存在的问题及今后的研究思路 | 第128-130页 |
| 致谢 | 第130-132页 |
| 参考文献 | 第132-141页 |
