基于最大化F1值学习的不平衡数据集分类算法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1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 |
| 1.2.1 经典不平衡处理方法 | 第9-10页 |
| 1.2.2 传统分类器优化法 | 第10-11页 |
| 1.3 主要研究内容 | 第11-12页 |
| 1.4 章节结构安排 | 第12-13页 |
| 第2章 相关研究内容介绍 | 第13-25页 |
| 2.1 不平衡数据集分类评价标准 | 第14-17页 |
| 2.1.1 G-Measure与A-Mean | 第15页 |
| 2.1.2 F1值 | 第15-16页 |
| 2.1.3 Roc曲线与Auc面积 | 第16-17页 |
| 2.2 最大化F1期望的分类过程 | 第17-21页 |
| 2.2.1 问题转化过程 | 第17-18页 |
| 2.2.2 最大化F1期望分类过程推理 | 第18-19页 |
| 2.2.3 F值期望的求解过程 | 第19-21页 |
| 2.3 损失最小化学习 | 第21-24页 |
| 2.3.1 结构化支持向量机 | 第22页 |
| 2.3.2 最小化全局损失函数 | 第22-23页 |
| 2.3.3 训练过程介绍 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 最大化F1值的不平衡数据集训练算法 | 第25-38页 |
| 3.1 引言 | 第25页 |
| 3.2 算法基本思想 | 第25-27页 |
| 3.3 基于最大化F1值分类过程的神经网络 | 第27-31页 |
| 3.3.1 算法思想与概述 | 第27-28页 |
| 3.3.2 最大化F1值分类过程的神经网络 | 第28-30页 |
| 3.3.3 算法分析 | 第30-31页 |
| 3.4 最小化损失学习神经网络 | 第31-37页 |
| 3.4.1 最小化全局损失学习与算法基本思想 | 第32-33页 |
| 3.4.2 损失函数的设计 | 第33-35页 |
| 3.4.3 训练过程 | 第35-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第4章 实验结果与分析 | 第38-49页 |
| 4.1 实验环境及数据集介绍 | 第38-39页 |
| 4.1.1 实验环境介绍 | 第38页 |
| 4.1.2 实验数据预处理 | 第38-39页 |
| 4.1.3 实验数据集介绍 | 第39页 |
| 4.2 算法基础参数设置 | 第39页 |
| 4.3 算法有效性验证试验数据 | 第39-47页 |
| 4.3.1 算法分类结果对比试验 | 第40-45页 |
| 4.3.2 算法性能对比试验 | 第45-47页 |
| 4.4 本章小结 | 第47-49页 |
| 结论 | 第49-51页 |
| 参考文献 | 第51-55页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第55-57页 |
| 致谢 | 第57页 |
