基于半监督学习的不平衡数据分类算法与应用
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 目录 | 第8-12页 |
| TABLE OF CONTENTS | 第12-16页 |
| 图目录 | 第16-18页 |
| 表目录 | 第18-19页 |
| 主要符号表 | 第19-20页 |
| 1 绪论 | 第20-38页 |
| 1.1 研究背景和意义 | 第20-24页 |
| 1.1.1 不平衡数据集 | 第20-21页 |
| 1.1.2 不平衡数据集分类问题和研究意义 | 第21-23页 |
| 1.1.3 不平衡数据集分类的关键因素 | 第23-24页 |
| 1.2 不平衡数据集分类方法 | 第24-27页 |
| 1.2.1 基于算法层面的方法 | 第24-25页 |
| 1.2.2 基于数据层面的方法 | 第25-27页 |
| 1.3 基于半监督学习的不平衡数据集分类 | 第27-34页 |
| 1.3.1 半监督学习概述 | 第27-28页 |
| 1.3.2 半监督学习假设 | 第28页 |
| 1.3.3 半监督学习方法分类 | 第28-31页 |
| 1.3.4 基于图的半监督学习国内外研究现状 | 第31-32页 |
| 1.3.5 问题讨论 | 第32-34页 |
| 1.4 本文的研究内容与组织结构 | 第34-38页 |
| 1.4.1 研究内容 | 第34-35页 |
| 1.4.2 组织结构 | 第35-38页 |
| 2 相关理论 | 第38-54页 |
| 2.1 基于图的半监督学习形式化描述 | 第38-40页 |
| 2.1.1 形式化描述 | 第38-39页 |
| 2.1.2 相似性度量 | 第39-40页 |
| 2.1.3 基于图的半监督学习算法框架 | 第40页 |
| 2.2 基于图的半监督学习方法 | 第40-47页 |
| 2.2.1 高斯随机场与调和函数法 | 第40-42页 |
| 2.2.2 局部与全局一致性 | 第42-43页 |
| 2.2.3 GTAM算法 | 第43-45页 |
| 2.2.4 NLP算法 | 第45-47页 |
| 2.3 过采样不平衡数据集处理算法 | 第47-51页 |
| 2.3.1 随机过采样方法 | 第47-48页 |
| 2.3.2 SMOTE方法 | 第48-49页 |
| 2.3.3 Borderline-SMOTE方法 | 第49-50页 |
| 2.3.4 ADASYN方法 | 第50-51页 |
| 2.4 不平衡数据集分类评价标准 | 第51-52页 |
| 2.5 本章小结 | 第52-54页 |
| 3 标签矩阵规范化处理方法 | 第54-72页 |
| 3.1 引言 | 第54页 |
| 3.2 LMN方法 | 第54-59页 |
| 3.2.1 算法描述 | 第54-55页 |
| 3.2.2 LMN性能分析 | 第55-57页 |
| 3.2.3 LMN的合理性分析 | 第57-58页 |
| 3.2.4 LMN流程 | 第58-59页 |
| 3.3 实验及分析 | 第59-69页 |
| 3.3.1 实验说明 | 第59-60页 |
| 3.3.2 数据集 | 第60-61页 |
| 3.3.3 实验设置 | 第61页 |
| 3.3.4 TOY数据集上LMN方法的性能 | 第61-64页 |
| 3.3.5 标准数据集上LMN方法的性能 | 第64-66页 |
| 3.3.6 “热门”数据集上LMN方法的性能 | 第66-68页 |
| 3.3.7 LMN方法与现有相关算法的比较 | 第68-69页 |
| 3.3.8 平衡情况下LMN方法的性能 | 第69页 |
| 3.4 本章小结 | 第69-72页 |
| 4 迭代最近邻过采样不平衡数据集分类 | 第72-85页 |
| 4.1 引言 | 第72页 |
| 4.2 相关工作 | 第72-73页 |
| 4.3 迭代最近邻算法 | 第73-77页 |
| 4.3.1 算法描述 | 第73-77页 |
| 4.3.2 算法复杂度分析 | 第77页 |
| 4.4 实验及分析 | 第77-84页 |
| 4.4.1 数据集 | 第77页 |
| 4.4.2 实验说明 | 第77-78页 |
| 4.4.3 UCI数据集实验 | 第78-80页 |
| 4.4.4 手写体实验 | 第80页 |
| 4.4.5 参数选择 | 第80-84页 |
| 4.5 本章小结 | 第84-85页 |
| 5 基于主动学习的不平衡数据分类 | 第85-98页 |
| 5.1 引言 | 第85页 |
| 5.2 相关工作 | 第85-90页 |
| 5.2.1 主动学习 | 第85-86页 |
| 5.2.2 主动学习在不平衡问题中的应用 | 第86-88页 |
| 5.2.3 边界选择算法 | 第88-90页 |
| 5.3 避免局部过集中的主动学习方法 | 第90-92页 |
| 5.4 实验及分析 | 第92-96页 |
| 5.4.1 数据集 | 第92-93页 |
| 5.4.2 实验结果与分析 | 第93-96页 |
| 5.5 本章小结 | 第96-98页 |
| 6 基于半监督学习的无线传感网火灾监测 | 第98-108页 |
| 6.1 引言 | 第98页 |
| 6.2 相关工作 | 第98-99页 |
| 6.3 PQ-SML算法 | 第99-102页 |
| 6.3.1 问题描述 | 第99-100页 |
| 6.3.2 PQ-SML算法描述 | 第100-102页 |
| 6.4 实验及分析 | 第102-107页 |
| 6.4.1 数据集和模式序列 | 第102-103页 |
| 6.4.2 实验结果 | 第103-105页 |
| 6.4.3 对比分析 | 第105-107页 |
| 6.5 本章小结 | 第107-108页 |
| 7 基于半监督学习的社交网络用户可信性推断 | 第108-120页 |
| 7.1 引言 | 第108-109页 |
| 7.2 相关方法 | 第109-110页 |
| 7.2.1 计算信任值的方法 | 第109-110页 |
| 7.2.2 协同过滤 | 第110页 |
| 7.2.3 机器学习方法 | 第110页 |
| 7.3 LT算法 | 第110-113页 |
| 7.3.1 相似性计算 | 第110-111页 |
| 7.3.2 可信性推断 | 第111-113页 |
| 7.4 不平衡问题的处理 | 第113页 |
| 7.5 实验及分析 | 第113-119页 |
| 7.5.1 实验设置 | 第113-114页 |
| 7.5.2 LT与其他信任推断方法 | 第114-116页 |
| 7.5.3 ROC曲线 | 第116页 |
| 7.5.4 不平衡问题的影响与解决 | 第116-119页 |
| 7.6 本章小结 | 第119-120页 |
| 8 结论与展望 | 第120-123页 |
| 8.1 结论 | 第120-121页 |
| 8.2 创新点摘要 | 第121页 |
| 8.3 展望 | 第121-123页 |
| 参考文献 | 第123-139页 |
| 攻读博士学位期间科研项目及科研成果 | 第139-141页 |
| 致谢 | 第141-142页 |
| 作者简介 | 第142页 |
