代价敏感的支持向量机监督学习研究
| 摘要 | 第1-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第7-12页 |
| ·引言 | 第7-8页 |
| ·代价敏感学习 | 第8-10页 |
| ·代价类型 | 第8-9页 |
| ·形式表述 | 第9-10页 |
| ·研究现状 | 第10-11页 |
| ·本文的主要工作 | 第11-12页 |
| 第二章 统计学习理论与代价敏感的支持向量机 | 第12-27页 |
| ·统计学习理论 | 第12-16页 |
| ·机器学习的基本表示 | 第12-13页 |
| ·经验风险最小化原则 | 第13-14页 |
| ·VC维 | 第14-15页 |
| ·结构风险最小化原则 | 第15-16页 |
| ·支持向量机 | 第16-21页 |
| ·线性支持向量机 | 第16-19页 |
| ·非线性支持向量机 | 第19-21页 |
| ·SVM的实现—SMO算法 | 第21-26页 |
| ·两点解析解 | 第22-23页 |
| ·活动点的选择与停止条件 | 第23-24页 |
| ·SMO算法实现流程图 | 第24-26页 |
| ·代价敏感的支持向量机 | 第26-27页 |
| 第三章 基于样本类空间重构的代价敏感 SVM算法 | 第27-37页 |
| ·引言 | 第27页 |
| ·代价设置 | 第27-28页 |
| ·五种方法 | 第28-32页 |
| ·基于过取样的代价敏感 SVM | 第28-29页 |
| ·基于 SMOTE的代价敏感 SVM | 第29页 |
| ·基于欠取样的代价敏感 SVM | 第29-31页 |
| ·硬集成和软集成方法 | 第31-32页 |
| ·实验测试 | 第32-37页 |
| ·数据集与试验设置 | 第32-34页 |
| ·试验结果与分析 | 第34-37页 |
| 第四章 嵌入误分类代价的 SVM算法及其参数选择 | 第37-47页 |
| ·引言 | 第37-38页 |
| ·嵌入误分类代价的 SVM算法(CSSVM) | 第38-41页 |
| ·CSSVM算法设计 | 第38-39页 |
| ·试验结果与分析 | 第39-41页 |
| ·遗传算法用于 CSSVM的参数选择 | 第41-47页 |
| ·遗传算法的基本原理与特点 | 第41-42页 |
| ·CSSVM的参数选择过程 | 第42-44页 |
| ·实验结果与分析 | 第44-47页 |
| 第五章 结束语 | 第47-49页 |
| 参考文献 | 第49-52页 |
| 附录 | 第52-53页 |
| 致谢 | 第53页 |
