| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状分析 | 第10-13页 |
| 1.2.1 特征选择研究现状 | 第11页 |
| 1.2.2 代价敏感学习研究现状 | 第11-12页 |
| 1.2.3 代价敏感特征选择研究现状 | 第12-13页 |
| 1.3 本文的主要内容和组织结构 | 第13-15页 |
| 第2章 背景知识 | 第15-23页 |
| 2.1 特征选择理论 | 第15-16页 |
| 2.2 粗糙集属性约简 | 第16-18页 |
| 2.3 代价敏感学习 | 第18-20页 |
| 2.3.1 测试代价的设置 | 第19-20页 |
| 2.3.2 误分类代价的设置 | 第20页 |
| 2.4 评价标准 | 第20-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第3章 基于样本邻域保持的代价敏感特征选择 | 第23-31页 |
| 3.1 代价和样本重要度设置 | 第23-24页 |
| 3.2 基于样本邻域保持的代价敏感特征选择算法 | 第24-25页 |
| 3.2.1 邻域矩阵设置 | 第24页 |
| 3.2.2 算法框架 | 第24-25页 |
| 3.3 实验分析 | 第25-30页 |
| 3.3.1 数据集和实验设置 | 第25-26页 |
| 3.3.2 实验结果分析 | 第26-30页 |
| 3.4 本章小结 | 第30-31页 |
| 第4章 基于粗糙集和拉普拉斯打分的代价敏感特征选择 | 第31-43页 |
| 4.1 最小测试代价敏感特征选择 | 第31-33页 |
| 4.2 基于粗糙集和拉普拉斯打分的代价敏感特征选择算法 | 第33-36页 |
| 4.2.1 粗糙集的相对约简 | 第33-34页 |
| 4.2.2 算法模型 | 第34-35页 |
| 4.2.3 算法框架 | 第35-36页 |
| 4.3 实验分析 | 第36-42页 |
| 4.3.1 数据集和实验设置 | 第36-37页 |
| 4.3.2 算法性能 | 第37-41页 |
| 4.3.3 算法比较 | 第41-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第5章 基于?_(2,1)-范数的代价敏感特征选择 | 第43-61页 |
| 5.1 符号定义和代价 | 第43-44页 |
| 5.2 基于?_(2,1)-范数的代价敏感特征选择算法 | 第44-49页 |
| 5.2.1 代价设置 | 第45页 |
| 5.2.2 问题模型 | 第45-47页 |
| 5.2.3 优化模型和算法 | 第47-48页 |
| 5.2.4 收敛性证明 | 第48-49页 |
| 5.3 实验分析 | 第49-59页 |
| 5.3.1 数据集和实验设置 | 第50-51页 |
| 5.3.2 算法性能 | 第51-53页 |
| 5.3.3 算法比较 | 第53-56页 |
| 5.3.4 参数敏感和收敛性分析 | 第56-59页 |
| 5.4 本章小结 | 第59-61页 |
| 第6章 总结与展望 | 第61-63页 |
| 6.1 工作总结 | 第61-62页 |
| 6.2 未来展望 | 第62-63页 |
| 参考文献 | 第63-73页 |
| 致谢 | 第73-75页 |
| 攻读学位期间取得的科研成果 | 第75页 |
