| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 选题研究背景与意义 | 第10-11页 |
| 1.2 贝叶斯树方法国内外研究现状 | 第11-15页 |
| 1.3 本文的主要工作和章节安排 | 第15-17页 |
| 第二章 BART 相关理论和算法 | 第17-31页 |
| 2.1 BART 模型 | 第17-22页 |
| 2.1.1 累加树模型 | 第17-18页 |
| 2.1.2 模型参数先验 | 第18-22页 |
| 2.1.2.1 T_j先验假设 | 第19-20页 |
| 2.1.2.2 μ_(ij)|T_j先验假设 | 第20-21页 |
| 2.1.2.3 δ先验假设 | 第21-22页 |
| 2.2 BART 模型参数训练和推理 | 第22-29页 |
| 2.2.1 MCMC 抽样 | 第23-25页 |
| 2.2.1.1 马尔科夫链 | 第23-24页 |
| 2.2.1.2 Metropolis-Hasting 算法 | 第24页 |
| 2.2.1.3 吉布斯(Gibbs)抽样 | 第24-25页 |
| 2.2.2 贝叶斯 Backfitting MCMC 算法 | 第25-26页 |
| 2.2.3 后验概率的公式推导 | 第26-29页 |
| 2.2.3.1 贝叶斯定理 | 第26页 |
| 2.2.3.2 T_j的后验计算 | 第26-27页 |
| 2.2.3.3 μ_(ij)|T_j的后验计算 | 第27页 |
| 2.2.3.4 δ 2的后验计算 | 第27-29页 |
| 2.3 BART 算法二分类模型 | 第29页 |
| 2.4 本章小结 | 第29-31页 |
| 第三章 BART 算法在多分类问题上的研究 | 第31-45页 |
| 3.1 分解策略 | 第31-37页 |
| 3.1.1 一对一（OAO）算法 | 第31-32页 |
| 3.1.2 一对多（OAA）算法 | 第32-33页 |
| 3.1.3 基于二叉树的分解策略 | 第33-37页 |
| 3.1.3.1 基于聚类的数据划分方法 | 第35页 |
| 3.1.3.2 基于可分性标准的数据划分方法 | 第35-36页 |
| 3.1.3.3 基于加权的类中心类距离度量 | 第36-37页 |
| 3.2 改进的 OAOBART 多分类算法(MOAOBART) | 第37-41页 |
| 3.2.1 算法描述 | 第38-40页 |
| 3.2.2 算法说明 | 第40-41页 |
| 3.3 基于一次数据划分的 MOAOBART 算法 | 第41-44页 |
| 3.3.1 算法描述 | 第41-43页 |
| 3.3.2 算法说明 | 第43-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第四章 实验结果与分析 | 第45-53页 |
| 4.1 实验数据集介绍及预处理 | 第45-47页 |
| 4.1.1 数据集介绍 | 第45-46页 |
| 4.1.2 数据集预处理 | 第46-47页 |
| 4.2 算法参数设置和实验环境 | 第47页 |
| 4.3 实验结果显示与分析 | 第47-52页 |
| 4.3.1 二分类实验 | 第47-48页 |
| 4.3.2 多分类实验 | 第48-52页 |
| 4.4 本章小结 | 第52-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 攻读硕士学位期间取得的研究成果 | 第57-58页 |
| 致谢 | 第58-59页 |
| 附件 | 第59页 |
