| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 半监督学习的研究现状 | 第11-12页 |
| 1.2.2 Boosting 算法的研究现状 | 第12-13页 |
| 1.2.3 半监督学习和 Boosting 算法的结合 | 第13-15页 |
| 1.3 论文的研究内容和章节的安排 | 第15-16页 |
| 第2章 相关理论介绍 | 第16-23页 |
| 2.1 机器学习基础 | 第16-17页 |
| 2.1.1 机器学习的定义 | 第16页 |
| 2.1.2 机器学习的分类 | 第16-17页 |
| 2.2 有监督学习介绍 | 第17-18页 |
| 2.3 无监督学习介绍 | 第18-19页 |
| 2.4 半监督学习介绍 | 第19-20页 |
| 2.5 BOOSTING 算法 | 第20-23页 |
| 2.5.1 Boosting 算法介绍 | 第20页 |
| 2.5.2 Boosting 算法的原理 | 第20-23页 |
| 第3章 常用的机器学习算法 | 第23-33页 |
| 3.1 常用的基分类器 | 第23-26页 |
| 3.1.1 支持向量机（SVM） | 第23-24页 |
| 3.1.2 K 近邻（K-Nearest Neighbor，KNN） | 第24-25页 |
| 3.1.3 决策树（Decision Tree） | 第25-26页 |
| 3.2 常用的半监督学习算法 | 第26-30页 |
| 3.2.1 生成式模型算法 | 第27-28页 |
| 3.2.2 基于图的半监督学习算法 | 第28-29页 |
| 3.2.3 协同训练算法 | 第29-30页 |
| 3.3 常用的 BOOSTING 算法 | 第30-33页 |
| 第4章 基于 BOOSTING 的半监督多分类算法 | 第33-40页 |
| 4.1 算法概述 | 第33-34页 |
| 4.2 样本数据结构表示 | 第34-35页 |
| 4.2.1 样本空间的表示 | 第34页 |
| 4.2.2 样本之间的相似性矩阵 | 第34-35页 |
| 4.3 目标函数的定义 | 第35-37页 |
| 4.4 算法流程 | 第37-40页 |
| 第5章 基于 WEKA 的算法实验 | 第40-51页 |
| 5.1 WEKA 平台介绍 | 第40-43页 |
| 5.1.1 平台简介 | 第40-41页 |
| 5.1.2 WEKA 数据格式 | 第41-43页 |
| 5.1.3 利用 weka 开发数据挖掘算法 | 第43页 |
| 5.2 UCI 数据库介绍 | 第43-44页 |
| 5.3 实验 | 第44-51页 |
| 5.3.1 IMSB 和 MCSSB 的算法性能比较 | 第47-48页 |
| 5.3.2 IMSB 在不同比例的有标签样本下的表现 | 第48-49页 |
| 5.3.3 IMSB 在不同基分类器下的表现 | 第49-51页 |
| 第6章 总结与展望 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 作者简介及在学期间取得的科研成果 | 第55-56页 |
| 致谢 | 第56页 |
