| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-11页 |
| 1 引言 | 第11-15页 |
| ·课题背景 | 第11-12页 |
| ·本文完成工作 | 第12-13页 |
| ·论文的组织安排 | 第13-15页 |
| 2 理论基础 | 第15-31页 |
| ·数据挖掘 | 第15-17页 |
| ·数据挖掘的定义 | 第15-16页 |
| ·数据挖掘基本任务 | 第16-17页 |
| ·分类的概述 | 第17-24页 |
| ·分类器的定义 | 第18页 |
| ·分类器的构造过程 | 第18-20页 |
| ·算法分类 | 第20页 |
| ·常见分类技术 | 第20-23页 |
| ·分类的比较评价标准 | 第23-24页 |
| ·集成学习的概述 | 第24-28页 |
| ·集成学习的产生 | 第24-25页 |
| ·基分类器的生成方式 | 第25-26页 |
| ·基分类器的组合方法 | 第26-28页 |
| ·集成学习的作用 | 第28页 |
| ·局部加权思想 | 第28-31页 |
| ·对训练集中的实例进行加权 | 第29-30页 |
| ·对训练集的属性进行加权,即属性加权 | 第30页 |
| ·组合分类器中基分类器的加权 | 第30-31页 |
| 3 集成学习中典型算法分析 | 第31-43页 |
| ·Bagging算法 | 第32-35页 |
| ·Bagging算法的提出 | 第32页 |
| ·Bagging算法描述 | 第32-34页 |
| ·Bagging算法理论分析 | 第34-35页 |
| ·AdaBoost算法 | 第35-41页 |
| ·AdaBoost算法的提出 | 第35-36页 |
| ·AdaBoost算法描述 | 第36-38页 |
| ·AdaBoost.M1算法以及AdaBoost.M2算法 | 第38-40页 |
| ·AdaBoost算法理论分析 | 第40-41页 |
| ·Bagging与Boosting的比较 | 第41-43页 |
| 4 AdaBoost算法改进 | 第43-51页 |
| ·基于待测实例的加权方式 | 第44-46页 |
| ·对传统AdaBoost算法的分析 | 第44页 |
| ·针对AdaBoost分类过程做出的调整 | 第44-45页 |
| ·改进算法流程 | 第45-46页 |
| ·基于分类概率的加权方式 | 第46-51页 |
| ·传统AdaBoost算法的方式 | 第46-47页 |
| ·针对AdaBoost分类过程做出的调整 | 第47-48页 |
| ·改进算法流程 | 第48-51页 |
| 5 实验结果比较分析 | 第51-71页 |
| ·Weka系统简介 | 第51-54页 |
| ·Weka下的AdaBoost算法 | 第54-57页 |
| ·继承关系 | 第54-55页 |
| ·基于AdaBoost的改进 | 第55-57页 |
| ·实验方法 | 第57-59页 |
| ·数据集描述 | 第57-58页 |
| ·实验参数设置 | 第58-59页 |
| ·算法性能评价方式 | 第59页 |
| ·实验结果及其分析 | 第59-71页 |
| ·运行对比算法的实验结果 | 第59-62页 |
| ·WBTI实验结果分析 | 第62-66页 |
| ·WBPC实验结果分析 | 第66-71页 |
| 6 结论与期望 | 第71-73页 |
| ·工作总结 | 第71-72页 |
| ·进一步研究方向 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 作者简历 | 第77-81页 |
| 学位论文数据集 | 第81页 |