| 摘要 | 第1-13页 |
| Abstract | 第13-16页 |
| 第一章 绪论 | 第16-26页 |
| ·课题研究背景 | 第16-19页 |
| ·国内外研究现状概述 | 第19-22页 |
| ·集成学习 | 第19-20页 |
| ·选择性集成 | 第20-21页 |
| ·在线学习 | 第21页 |
| ·增量学习 | 第21-22页 |
| ·论文研究内容 | 第22-24页 |
| ·论文结构 | 第24-26页 |
| 第二章 在线机器学习模型 | 第26-40页 |
| ·相关概念 | 第26-28页 |
| ·机器学习 | 第26页 |
| ·集成学习 | 第26-27页 |
| ·选择性集成 | 第27-28页 |
| ·在线机器学习技术分析 | 第28-32页 |
| ·在线学习概念介绍 | 第28页 |
| ·在线学习的应用领域 | 第28-29页 |
| ·在线学习方法分类 | 第29页 |
| ·暂时批量学习 | 第29-30页 |
| ·增量学习 | 第30-31页 |
| ·小结 | 第31-32页 |
| ·在线机器学习模型EPIL | 第32-38页 |
| ·当前增量学习方法 | 第32-33页 |
| ·EPIL模型 | 第33-35页 |
| ·EPIL模型的特点 | 第35-36页 |
| ·EPIL模型相关技术 | 第36-38页 |
| ·本章小结 | 第38-40页 |
| 第三章 基于模式挖掘的选择性集成研究 | 第40-66页 |
| ·集成学习与选择性集成概述 | 第40-47页 |
| ·集成学习技术 | 第40-43页 |
| ·选择性集成技术 | 第43-47页 |
| ·基于模式挖掘的选择性集成算法框架 | 第47-49页 |
| ·选择性集成问题描述 | 第47页 |
| ·基于模式挖掘的选择性集成思想 | 第47-48页 |
| ·基于模式挖掘的选择性集成算法框架 | 第48-49页 |
| ·问题表示 | 第49-52页 |
| ·模式挖掘相关概念 | 第50页 |
| ·选择性集成的事务化表示 | 第50-52页 |
| ·候选子模式获取 | 第52-54页 |
| ·频繁模式挖掘法 | 第52页 |
| ·排序获取法 | 第52-54页 |
| ·集成分类器预测性能分析 | 第54-61页 |
| ·FP-Tree的概念及其构建方法 | 第54-56页 |
| ·集成分类器预测性能分析 | 第56-61页 |
| ·集成分类器预测能力评估方法 | 第61页 |
| ·候选模式的确定 | 第61-63页 |
| ·本章小结 | 第63-66页 |
| 第四章 基于模式挖掘的选择性集成算法研究 | 第66-88页 |
| ·覆盖模式挖掘 | 第66-69页 |
| ·概念 | 第66页 |
| ·利用贪婪算法求解 | 第66-69页 |
| ·CPM-EP算法 | 第69-74页 |
| ·CPM-EP算法思想 | 第69页 |
| ·CPM-EP算法描述 | 第69-70页 |
| ·预测结果精简 | 第70-71页 |
| ·候选子模式的确定 | 第71-72页 |
| ·覆盖模式挖掘处理 | 第72-74页 |
| ·目标集成分类器的获取 | 第74页 |
| ·PMEP算法 | 第74-77页 |
| ·PMEP算法介绍 | 第74-76页 |
| ·PMEP处理过程举例 | 第76-77页 |
| ·实验结果分析 | 第77-87页 |
| ·实验数据集 | 第77-78页 |
| ·参与比较的算法 | 第78-79页 |
| ·实验方法 | 第79页 |
| ·预测准确度 | 第79-84页 |
| ·选择时间 | 第84-85页 |
| ·目标集成分类器规模 | 第85-87页 |
| ·本章小结 | 第87-88页 |
| 第五章 集成式增量学习研究 | 第88-108页 |
| ·集成式增量学习研究现状 | 第88-91页 |
| ·算法概述 | 第88-91页 |
| ·典型算法分析 | 第91页 |
| ·Bagging++算法 | 第91-94页 |
| ·Bagging++思想 | 第92页 |
| ·Bagging++算法描述 | 第92-93页 |
| ·异构基分类器构造 | 第93-94页 |
| ·实验结果分析 | 第94-105页 |
| ·实验设置 | 第94-95页 |
| ·预测准确度 | 第95-99页 |
| ·预测性能提升 | 第99-100页 |
| ·退化程度分析 | 第100-102页 |
| ·训练时间 | 第102-104页 |
| ·异构分类器组成 | 第104-105页 |
| ·本章小结 | 第105-108页 |
| 第六章 基于选择性集成的增量学习研究 | 第108-120页 |
| ·集成式增量学习的局限性 | 第108-109页 |
| ·基于选择性集成的增量学习思想 | 第109-110页 |
| ·选择性集成的对象与时机 | 第109-110页 |
| ·校验样本集的获取 | 第110页 |
| ·基于选择性集成的Bagging++ | 第110-113页 |
| ·LP-Bagging++算法描述 | 第111-112页 |
| ·M-PBagging++算法描述 | 第112-113页 |
| ·实验结果分析 | 第113-119页 |
| ·实验设置 | 第113-114页 |
| ·预测准确度 | 第114-115页 |
| ·预测性能提升 | 第115-116页 |
| ·集成分类器大小 | 第116-118页 |
| ·训练时间 | 第118-119页 |
| ·本章小结 | 第119-120页 |
| 第七章 集成学习开发平台LibEP | 第120-132页 |
| ·研究背景 | 第120-123页 |
| ·实验及开发工作现状 | 第120-121页 |
| ·开发工作中存在的问题 | 第121-122页 |
| ·集成学习开发平台的需求 | 第122-123页 |
| ·系统功能分析 | 第123-126页 |
| ·数据处理 | 第124页 |
| ·集成学习 | 第124-125页 |
| ·选择性集成 | 第125-126页 |
| ·集成预测 | 第126页 |
| ·统计检验 | 第126页 |
| ·系统设计 | 第126-130页 |
| ·系统结构 | 第127页 |
| ·类层次设计及关键类介绍 | 第127-129页 |
| ·关键数据结构 | 第129-130页 |
| ·小结 | 第130-132页 |
| 第八章 结束语 | 第132-136页 |
| ·工作总结 | 第132-134页 |
| ·研究展望 | 第134-136页 |
| 致谢 | 第136-138页 |
| 参考文献 | 第138-150页 |
| 作者在学期间取得的学术成果 | 第150-152页 |
| 附录A 本文涉及的实验数据集 | 第152-160页 |
| 附录B：LibEP系统实现 | 第160-179页 |
| B.1 数据处理 | 第160-161页 |
| B.1.1 样本操作 | 第160页 |
| B.1.2 训练样本优化 | 第160页 |
| B.1.3 数据集变换 | 第160-161页 |
| B.1.4 交叉验证 | 第161页 |
| B.2 基分类器算法 | 第161-165页 |
| B.2.1 BP神经网络 | 第162-164页 |
| B.2.2 简单贝叶斯 | 第164-165页 |
| B.3 集成分类器算法 | 第165-166页 |
| B.3.1 Bagging | 第165页 |
| B.3.2 AdaBoost（Boosting） | 第165-166页 |
| B.4 加权集成预测 | 第166页 |
| B.5 选择性集成算法 | 第166-173页 |
| B.5.1 方向排序 | 第167页 |
| B.5.2 边界距离最小化 | 第167-168页 |
| B.5.3 GASEN | 第168-169页 |
| B.5.4 前向选择 | 第169-170页 |
| B.5.5 PMEP（Pattern-Mined based Ensemble Pruning） | 第170-171页 |
| B.5.6 CFP（Cluster-based Framework for Ensemble Pruning） | 第171-173页 |
| B.6 统计检验 | 第173-175页 |
| B.6.1 Friedman检验 | 第173-174页 |
| B.6.2 Bergmann-Hommel检验 | 第174-175页 |
| B.7 增量学习 | 第175-179页 |
| B.7.1 NCL | 第176-178页 |
| B.7.2 Learn++ | 第178-179页 |