| 摘要 | 第1-5页 |
| Abstract | 第5-15页 |
| 第1章 引言 | 第15-23页 |
| ·基于机器学习的分类问题 | 第15-18页 |
| ·分类问题描述 | 第15-16页 |
| ·分类问题研究进展 | 第16-18页 |
| ·高风险领域模式分类的挑战 | 第18-21页 |
| ·算法能否输出预测置信度 | 第19页 |
| ·置信度估计是否有效 | 第19-20页 |
| ·算法能否对单个预测输出特定置信度下的预测结果 | 第20-21页 |
| ·论文内容和结构安排 | 第21-23页 |
| 第2章 机器学习算法的预测置信度分析 | 第23-36页 |
| ·置信度 | 第23-26页 |
| ·社会科学领域的置信度 | 第23-24页 |
| ·统计学领域的置信度 | 第24页 |
| ·机器学习领域的置信度 | 第24-26页 |
| ·贝叶斯方法的置信度分析及其局限性 | 第26-27页 |
| ·贝叶斯分类器 | 第26页 |
| ·贝叶斯分类器的可校准性 | 第26-27页 |
| ·统计学习理论的置信度分析及其局限性 | 第27-30页 |
| ·统计学习理论的泛化误差 | 第27-28页 |
| ·PAC误差界的局限性 | 第28-30页 |
| ·基于特定数据集的误差率的可校准性及其局限性 | 第30-35页 |
| ·泛化误差估计技术 | 第30-32页 |
| ·基于特定数据集的误差率的可校准性 | 第32-35页 |
| ·本章小结 | 第35-36页 |
| 第3章 一致性预测器 | 第36-59页 |
| ·带置信度的统计预测方法 | 第37-38页 |
| ·转导推理 | 第38-41页 |
| ·转导推理的意义 | 第38-39页 |
| ·转导推理分类方法 | 第39-41页 |
| ·算法随机性理论 | 第41-46页 |
| ·对象的Kolmogorov算法复杂性 | 第42-43页 |
| ·序列的算法随机性Martin-Lof检测 | 第43-45页 |
| ·序列的算法随机性p-值检验 | 第45-46页 |
| ·一致性预测器算法原理 | 第46-54页 |
| ·一致性预测器的算法思路 | 第46-48页 |
| ·一致性预测器的序列随机性检验方法 | 第48-50页 |
| ·一致性预测器的算法流程 | 第50-52页 |
| ·一致性预测器的可校准性 | 第52-54页 |
| ·样本奇异函数的设计 | 第54-58页 |
| ·样本奇异函数的内含算法 | 第54-55页 |
| ·基于SVM的样本奇异函数设计 | 第55-57页 |
| ·基于KNN的样本奇异函数设计 | 第57-58页 |
| ·本章小结 | 第58-59页 |
| 第4章 混合压缩一致性预测器模型研究 | 第59-88页 |
| ·归纳式一致性预测器(ICP) | 第60-64页 |
| ·ICP算法原理 | 第60-61页 |
| ·ICP算法流程 | 第61-63页 |
| ·ICP算法的特点 | 第63-64页 |
| ·混合压缩一致性预测器(HCCP)的算法原理 | 第64-71页 |
| ·HCCP算法思想 | 第64-65页 |
| ·HCCP的算法流程 | 第65-67页 |
| ·HCCP的可校准性 | 第67-68页 |
| ·HCCP的计算效率 | 第68-71页 |
| ·HCCP样本奇异函数设计 | 第71-82页 |
| ·HCCP的样本奇异函数的特点 | 第71页 |
| ·HCCP的样本奇异函数的设计思路 | 第71-75页 |
| ·基于有监督核学习的HCCP样本奇异性函数设计 | 第75-78页 |
| ·基于随机森林的HCCP样本奇异函数设计 | 第78-82页 |
| ·HCCP在标准数据集上的可校准性实验 | 第82-86页 |
| ·数据集创建 | 第83-84页 |
| ·HCCP算法的参数设置 | 第84页 |
| ·实验结果与讨论 | 第84-86页 |
| ·本章小结 | 第86-88页 |
| 第5章 混合压缩一致性预测器在大数据集上的应用 | 第88-105页 |
| ·大数据集的学习问题 | 第88-92页 |
| ·大数据集学习问题的特点 | 第88-89页 |
| ·流程工业大系统的故障检测及其挑战 | 第89-91页 |
| ·HCCP在流程工业大系统故障检测中的适用性 | 第91-92页 |
| ·HCCP在TEP中的应用 | 第92-99页 |
| ·田纳西-伊斯曼化工过程(TEP) | 第92-94页 |
| ·TEP数据集构建 | 第94-95页 |
| ·HCCP实验设置 | 第95-96页 |
| ·HCCP-ProxNN的框围预测(Hedged prediction) | 第96-97页 |
| ·HCCP-ProxNN的预测效率 | 第97-99页 |
| ·HCCP-ProxNN的计算效率 | 第99页 |
| ·HCCP-RF算法的拓展应用 | 第99-103页 |
| ·RF相似性度量Prox的鲁棒性 | 第100-101页 |
| ·RF相似性度量Prox与训练样本集规模之间的关系 | 第101-103页 |
| ·HCCP-RF的拓展应用 | 第103页 |
| ·本章小结 | 第103-105页 |
| 第6章 混合压缩一致性预测器在小数据集上的应用 | 第105-117页 |
| ·中医诊断的智能化方法概述 | 第105-106页 |
| ·HCCP-RF算法在小样本集上的修正方案 | 第106-109页 |
| ·修正思路 | 第106-107页 |
| ·无划分HCCP-RF的算法流程 | 第107-109页 |
| ·无划分HCCP-RF在慢性胃炎中医诊断中的应用 | 第109-115页 |
| ·病例收集和数据库构建 | 第109-110页 |
| ·实验设置 | 第110-111页 |
| ·实验结果和讨论 | 第111-115页 |
| ·本章小结 | 第115-117页 |
| 第7章 总结与展望 | 第117-120页 |
| 参考文献 | 第120-126页 |
| 致谢 | 第126-127页 |
| 发表论文 | 第127-128页 |