| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 前言 | 第8-14页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 异常检测的研究背景 | 第14-15页 |
| 1.1.1 异常检测的定义 | 第14页 |
| 1.1.2 异常检测的重要性和意义 | 第14-15页 |
| 1.1.3 异常检测的难点 | 第15页 |
| 1.2 基于机器学习的异常检测研究现状 | 第15-19页 |
| 1.2.1 基于单模型的异常检测研究现状 | 第16-17页 |
| 1.2.2 基于集成学习模型的异常检测研究现状 | 第17-18页 |
| 1.2.3 已有异常检测方法存在的共性问题 | 第18-19页 |
| 1.3 本论文主要工作 | 第19-20页 |
| 1.3.1 基于自定义加权函数的梯度提升异常检测 | 第19-20页 |
| 1.3.2 基于重要性敏感随机森林的异常检测 | 第20页 |
| 1.3.3 基于异常敏感划分标准的隔离森林异常检测 | 第20页 |
| 1.4 论文组织结构 | 第20-22页 |
| 第二章 基于梯度提升的异常检测 | 第22-46页 |
| 2.1 引言 | 第22页 |
| 2.2 梯度提升机 | 第22-26页 |
| 2.2.1 简介 | 第22-23页 |
| 2.2.2 函数估计问题 | 第23-24页 |
| 2.2.3 优化方法问题 | 第24-25页 |
| 2.2.4 梯度提升算法框架 | 第25-26页 |
| 2.3 基于梯度提升决策树的异常检测 | 第26-37页 |
| 2.3.1 自定义异常检测损失函数 | 第27-28页 |
| 2.3.2 梯度提升决策树模型 | 第28-37页 |
| 2.4 实验 | 第37-45页 |
| 2.4.1 数据集 | 第37-39页 |
| 2.4.2 实验环境 | 第39-41页 |
| 2.4.3 实验设计 | 第41-42页 |
| 2.4.4 参数调节 | 第42-44页 |
| 2.4.5 实验结果及分析 | 第44-45页 |
| 2.5 本章小结 | 第45-46页 |
| 第三章 基于重要性敏感随机森林的异常检测 | 第46-60页 |
| 3.1 引言 | 第46-47页 |
| 3.2 加权随机森林与平衡随机森林 | 第47-49页 |
| 3.2.1 不平衡分类问题 | 第48页 |
| 3.2.2 损失敏感学习与均衡采样 | 第48页 |
| 3.2.3 加权随机森林 | 第48-49页 |
| 3.2.4 平衡随机森林 | 第49页 |
| 3.3 基于重要性映射的加权与平衡随机森林 | 第49-55页 |
| 3.3.1 重要性映射 | 第50-51页 |
| 3.3.2 重要性敏感加权随机森林 | 第51-52页 |
| 3.3.3 重要性敏感平衡随机森林 | 第52-55页 |
| 3.4 实验 | 第55-59页 |
| 3.4.1 实验数据集 | 第55-56页 |
| 3.4.2 实验环境 | 第56-57页 |
| 3.4.3 实验设计 | 第57-58页 |
| 3.4.4 实验结果及分析 | 第58-59页 |
| 3.5 本章小结 | 第59-60页 |
| 第四章 基于异常敏感隔离森林的异常检测 | 第60-78页 |
| 4.1 引言 | 第60页 |
| 4.2 集成模型 | 第60-66页 |
| 4.2.1 集成学习思路 | 第61页 |
| 4.2.2 随机森林模型 | 第61-62页 |
| 4.2.3 隔离森林模型 | 第62-66页 |
| 4.3 异常敏感划隔离森林模型 | 第66-68页 |
| 4.3.1 随机子特征空间 | 第66页 |
| 4.3.2 异常敏感增益 | 第66-67页 |
| 4.3.3 算法伪代码 | 第67-68页 |
| 4.4 实验 | 第68-75页 |
| 4.4.1 数据集描述 | 第70-74页 |
| 4.4.2 实验设计及过程 | 第74页 |
| 4.4.3 实验结果及分析 | 第74-75页 |
| 4.5 本章小结 | 第75-78页 |
| 第五章 总结与展望 | 第78-80页 |
| 5.1 总结 | 第78-79页 |
| 5.2 展望 | 第79-80页 |
| 致谢 | 第80-82页 |
| 参考文献 | 第82-88页 |
| 简历与科研成果 | 第88-89页 |