基于主动学习的非均衡数据分类研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 非均衡数据分类问题的研究背景和意义 | 第9-10页 |
| 1.2 非均衡数据分类的研究现状 | 第10-13页 |
| 1.2.1 数据集重构 | 第11页 |
| 1.2.2 改进算法方面 | 第11-12页 |
| 1.2.3 代价敏感学习 | 第12页 |
| 1.2.4 集成学习 | 第12-13页 |
| 1.3 本文主要内容 | 第13-14页 |
| 1.4 本文组织结构 | 第14-15页 |
| 第二章 非均衡数据分类的研究基础 | 第15-27页 |
| 2.1 重采样技术及其主要算法 | 第15-17页 |
| 2.1.1 过取样算法 | 第15-16页 |
| 2.1.2 欠取样算法 | 第16-17页 |
| 2.2 主动学习算法 | 第17-18页 |
| 2.2.1 不确定性抽样主动学习 | 第18页 |
| 2.2.2 QBC主动学习 | 第18页 |
| 2.3 支持向量机算法原理 | 第18-22页 |
| 2.3.1 线性支持向量机 | 第18-20页 |
| 2.3.2 非线性支持向量机 | 第20-22页 |
| 2.4 集成学习 | 第22-23页 |
| 2.4.1 集成学习的产生和发展 | 第22页 |
| 2.4.2 集成学习的基本原理 | 第22-23页 |
| 2.5 非均衡数据分类的性能评估 | 第23-27页 |
| 2.5.1 F-measure和G-mean | 第24-25页 |
| 2.5.2 ROC曲线 | 第25-26页 |
| 2.5.3 K折交叉验证 | 第26-27页 |
| 第三章 基于主动学SMOTE的非均衡数据分类 | 第27-33页 |
| 3.1 引言 | 第27页 |
| 3.2 主动学习与支持向量机结合优势 | 第27-28页 |
| 3.3 基于主动学SMOTE的非均衡数据分类算法 | 第28-30页 |
| 3.3.1 算法简介 | 第28-29页 |
| 3.3.2 算法描述及流程图 | 第29-30页 |
| 3.4 实验与分析 | 第30-32页 |
| 3.4.1 数据集 | 第30-31页 |
| 3.4.2 实验结果及分析 | 第31-32页 |
| 3.5 结论 | 第32-33页 |
| 第四章 基于集成的非均衡数据分类主动学习算法 | 第33-40页 |
| 4.1 引言 | 第33页 |
| 4.2 相关工作 | 第33-36页 |
| 4.2.1 拆分与集成结合的优势 | 第33页 |
| 4.2.2 Adaboost集成算法 | 第33-35页 |
| 4.2.3 QBC主动学习策略 | 第35-36页 |
| 4.3 基于集成的非均衡数据分类主动学习算法 | 第36-37页 |
| 4.3.1 算法简介 | 第36页 |
| 4.3.2 算法描述 | 第36-37页 |
| 4.4 实验与分析 | 第37-39页 |
| 4.4.1 数据集 | 第37页 |
| 4.4.2 实验结果及分析 | 第37-39页 |
| 4.5 小结 | 第39-40页 |
| 第五章 总结与展望 | 第40-42页 |
| 5.1 本文总结 | 第40页 |
| 5.2 研究展望 | 第40-42页 |
| 参考文献 | 第42-46页 |
| 攻读硕士学位期间发表学术论文情况 | 第46-47页 |
| 致谢 | 第47页 |
