| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-8页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 研究现状 | 第9-13页 |
| 1.2.1 代价敏感+集成学习算法 | 第10-11页 |
| 1.2.2 数据预处理+集成学习算法 | 第11-13页 |
| 1.3 论文的研究内容 | 第13-14页 |
| 1.4 论文的组织结构 | 第14-15页 |
| 1.5 本章小结 | 第15-16页 |
| 2 理论基础和相关算法 | 第16-26页 |
| 2.1 基本概念 | 第16-17页 |
| 2.1.1 集成学习 | 第16-17页 |
| 2.1.2 弱学习器 | 第17页 |
| 2.2 AdaBoost.M2算法 | 第17-18页 |
| 2.3 SMOTEBoost算法 | 第18-19页 |
| 2.4 EE算法 | 第19-20页 |
| 2.5 RUSBoost算法 | 第20-21页 |
| 2.6 EUSBoost算法 | 第21-22页 |
| 2.7 C4.5算法 | 第22-24页 |
| 2.7.1 信息增益 | 第23页 |
| 2.7.2 信息增益率 | 第23-24页 |
| 2.7.3 决策树的生成 | 第24页 |
| 2.8 本章小结 | 第24-26页 |
| 3 Boosting算法加权新策略及改进算法 | 第26-34页 |
| 3.1 Boosting算法加权新策略 | 第26-29页 |
| 3.1.1 利用CFSFDP算法寻找簇中心 | 第27-28页 |
| 3.1.2 利用高斯函数加权 | 第28页 |
| 3.1.3 归一化样本权值 | 第28-29页 |
| 3.2 改进算法介绍 | 第29-33页 |
| 3.2.1 PKWA算法 | 第29-30页 |
| 3.2.2 PKWS算法 | 第30-31页 |
| 3.2.3 PKWEE算法 | 第31页 |
| 3.2.4 PKWR算法 | 第31-32页 |
| 3.2.5 PKWE算法 | 第32-33页 |
| 3.3 本章小结 | 第33-34页 |
| 4 不平衡分类算法的实验及结果分析 | 第34-66页 |
| 4.1 实验环境 | 第34页 |
| 4.2 实验参数设置 | 第34-35页 |
| 4.3 模型评估 | 第35-41页 |
| 4.3.1 评估方法 | 第35-36页 |
| 4.3.2 评价指标 | 第36-38页 |
| 4.3.3 比较检验 | 第38-40页 |
| 4.3.4 数据分布度量 | 第40-41页 |
| 4.4 数据集介绍 | 第41-43页 |
| 4.5 实验结果及分析 | 第43-65页 |
| 4.5.1 利用G-mean指标评价算法性能 | 第43-50页 |
| 4.5.2 利用F-measure指标评价算法性能 | 第50-57页 |
| 4.5.3 利用AUC指标评价算法性能 | 第57-65页 |
| 4.6 本章小结 | 第65-66页 |
| 5 总结与展望 | 第66-68页 |
| 5.1 论文工作总结 | 第66页 |
| 5.2 课题研究展望 | 第66-68页 |
| 致谢 | 第68-70页 |
| 参考文献 | 第70-76页 |
| 附录 | 第76页 |
| A.作者在攻读学位期间发表及录用的论文 | 第76页 |
| B.作者在攻读学位期间申请的专利与标准 | 第76页 |