| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 目录 | 第6-8页 |
| 第一章 绪论 | 第8-10页 |
| 1.1 研究的背景及意义 | 第8页 |
| 1.2 本文的主要工作 | 第8-9页 |
| 1.3 本文组织结构 | 第9-10页 |
| 第二章 不平衡数据研究概述 | 第10-15页 |
| 2.1 研究的现状 | 第10-11页 |
| 2.1.1 数据层面 | 第10-11页 |
| 2.1.2 算法层面 | 第11页 |
| 2.2 不平衡数据分类困难的原因 | 第11-12页 |
| 2.2.1 少数类数据的缺少 | 第11-12页 |
| 2.2.2 评价标准选择困难 | 第12页 |
| 2.2.3 噪音数据对分类的影响 | 第12页 |
| 2.2.4 分类算法的选择 | 第12页 |
| 2.3 性能评价指标 | 第12-13页 |
| 2.4 本章小结 | 第13-15页 |
| 第三章 基于聚类的不平衡数据分类 | 第15-23页 |
| 3.1 聚类及相关技术 | 第15-16页 |
| 3.1.1 聚类概念 | 第15页 |
| 3.1.2 聚类评估函数 | 第15-16页 |
| 3.1.3 k-means 聚类算法 | 第16页 |
| 3.2 不平衡数据分类 | 第16-18页 |
| 3.2.1 降低分类数据的不平衡度 | 第16-17页 |
| 3.2.2 使用的分类算法 | 第17-18页 |
| 3.2.3 基于聚类的不平衡数据分类方法 JL-KNN | 第18页 |
| 3.3 实验结果分析 | 第18-22页 |
| 3.3.1 数据来源 | 第18页 |
| 3.3.2 实验及结果分析 | 第18-22页 |
| 3.4 本章小结 | 第22-23页 |
| 第四章 GJL-KNN 算法 | 第23-31页 |
| 4.1 K 近邻分类方法 | 第23页 |
| 4.2 GJL-KNN 算法 | 第23-24页 |
| 4.3 实验及结果分析 | 第24-30页 |
| 4.3.1 数据来源 | 第24页 |
| 4.3.2 实验及结果分析 | 第24-30页 |
| 4.4 本章小结 | 第30-31页 |
| 第五章 结论与展望 | 第31-32页 |
| 5.1 本文工作总结 | 第31页 |
| 5.2 下一步工作设想 | 第31-32页 |
| 参考文献 | 第32-35页 |
| 致谢 | 第35页 |