一种基于SVM的降维方法在三类ROC分析中的应用
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 研究背景 | 第13-16页 |
| 1.2 选题的意义和研究现状 | 第16-17页 |
| 1.2.1 将ROC分析方法推广到三类中的意义 | 第16页 |
| 1.2.2 ROC分析方法国内外的研究现状 | 第16-17页 |
| 1.3 本文主要研究内容 | 第17-18页 |
| 1.4 本章小结 | 第18-19页 |
| 第二章 ROC介绍 | 第19-33页 |
| 2.1 分类器的评价 | 第19-20页 |
| 2.1.1 分类算法的衡量标准 | 第19页 |
| 2.1.2 用正确率衡量分类算法的局限性 | 第19-20页 |
| 2.2 ROC介绍 | 第20-30页 |
| 2.2.1 ROC基础 | 第20-23页 |
| 2.2.2 使用ROC图评价分类器 | 第23-28页 |
| 2.2.3 ROC曲线下的面积 | 第28-30页 |
| 2.3 ROC在多类中的应用 | 第30-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 支持向量机理论 | 第33-54页 |
| 3.1 引言 | 第33页 |
| 3.2 统计学习理论 | 第33-38页 |
| 3.2.1 分类问题的统计学提法 | 第33-34页 |
| 3.2.2 经验风险最小化原则 | 第34-35页 |
| 3.2.3 VC维 | 第35-36页 |
| 3.2.4 结构风险最小化原则 | 第36-38页 |
| 3.3 线性支持向量机 | 第38-45页 |
| 3.3.1 线性可分问题最大间隔法 | 第38-40页 |
| 3.3.2 线性可分问题的支持向量机 | 第40-42页 |
| 3.3.3 线性支持向量分类机 | 第42-45页 |
| 3.4 支持向量机 | 第45-49页 |
| 3.4.1 线性不可分问题转化为线性可分问题 | 第45-46页 |
| 3.4.2 非线性分类支持向量分类机 | 第46-47页 |
| 3.4.3 核函数 | 第47-48页 |
| 3.4.4 标准支持向量机 | 第48-49页 |
| 3.5 支持向量机在多分类中的应用举例 | 第49-53页 |
| 3.5.1 一对多 | 第49-50页 |
| 3.5.2 一对一 | 第50页 |
| 3.5.3 一次性求解 | 第50页 |
| 3.5.4 决策有向无环图 | 第50-51页 |
| 3.5.5 “纠错编码”方法 | 第51-52页 |
| 3.5.6 “二叉树”方法 | 第52-53页 |
| 3.6 本章小结 | 第53-54页 |
| 第四章 算法部分 | 第54-63页 |
| 4.1 使用SVM分类器对样本进行分类 | 第54页 |
| 4.2 数据降维的实现 | 第54-58页 |
| 4.2.1 建立空间坐标系 | 第54-55页 |
| 4.2.2 三维空间向二维空间的转换 | 第55-58页 |
| 4.3 遍历二维平面得到ROC曲面 | 第58-60页 |
| 4.3.1 支架的转换 | 第58-59页 |
| 4.3.2 遍历平面上的样本 | 第59-60页 |
| 4.4 计算ROC曲面下的体积 | 第60-61页 |
| 4.5 非参数法估计VUS均值的大小 | 第61页 |
| 4.6 本章小结 | 第61-63页 |
| 第五章 实验验证及分析 | 第63-69页 |
| 5.1 实验一：VUS和类间距的关系验证 | 第63-64页 |
| 5.2 实验二：验证步数对体积的影响 | 第64页 |
| 5.3 实验三：体积法和非参数法对比 | 第64-65页 |
| 5.4 实验四：体积法的时间成本与步数的变化关系 | 第65-66页 |
| 5.5 实验五：体积法和非参数法时间复杂度对比 | 第66页 |
| 5.6 实验六：IRIS(鸢尾花)数据集测试 | 第66-68页 |
| 5.7 本章小结 | 第68-69页 |
| 总结与展望 | 第69-71页 |
| 参考文献 | 第71-77页 |
| 攻读硕士学位期间取得的研究成果 | 第77-79页 |
| 致谢 | 第79页 |
