一种改进的非平衡数据集支持向量机分类算法
| 提要 | 第1-7页 |
| 第1章 绪论 | 第7-12页 |
| ·选题背景 | 第7页 |
| ·不平衡数据集分类实效问题 | 第7-8页 |
| ·国内外研究现状 | 第8-10页 |
| ·本文主要工作及结构安排 | 第10-12页 |
| 第2章 基于机器学习的文本分类 | 第12-19页 |
| ·基于机器学习的自动文本分类 | 第12-13页 |
| ·分类过程 | 第12页 |
| ·文本表示 | 第12-13页 |
| ·特征提取 | 第13-15页 |
| ·典型文本分类算法 | 第15-17页 |
| ·文本分类评价标准 | 第17页 |
| ·本章小结 | 第17-19页 |
| 第3章 支持向量机和壳向量理论 | 第19-30页 |
| ·机器学习基本理论 | 第19-21页 |
| ·机器学习问题描述 | 第19页 |
| ·经验风险最小化原则 | 第19-20页 |
| ·结构风险最小化原则 | 第20-21页 |
| ·支持向量机 | 第21-25页 |
| ·线性可分支持向量机 | 第21-23页 |
| ·非线性可分支持向量机 | 第23-25页 |
| ·凸壳理论 | 第25-28页 |
| ·凸壳相关概念定义 | 第25-26页 |
| ·构造壳向量集 | 第26-28页 |
| ·典型基于壳向量的支持向量机算法 | 第28-29页 |
| ·基于壳向量的线性支持向量机快速增量算法 | 第28-29页 |
| ·基于凸壳向量的 SVMBagging 集成算法 | 第29页 |
| ·本章小结 | 第29-30页 |
| 第4章 不平衡数据的 SHS 分类算法 | 第30-42页 |
| ·预处理数据集 | 第30-34页 |
| ·求解壳向量集 | 第31-33页 |
| ·SMOIS 采样处理 | 第33-34页 |
| ·基于SMOIS 和壳向量的SVM 分类器 | 第34-39页 |
| ·基本思路 | 第34-36页 |
| ·算法描述 | 第36-38页 |
| ·实验验证和分析 | 第38-39页 |
| ·SHS 算法的理论分析 | 第39-41页 |
| ·可行性分析 | 第39-40页 |
| ·复杂度分析 | 第40-41页 |
| ·本章小结 | 第41-42页 |
| 第5章 SHS 算法性能分析 | 第42-51页 |
| ·算法性能评估 | 第42-44页 |
| ·算法性能评价方法 | 第42-43页 |
| ·实验环境 | 第43页 |
| ·数据来源以及参数选取 | 第43-44页 |
| ·实验结果及性能分析 | 第44-48页 |
| ·第一部分实验 | 第44-45页 |
| ·第二部分实验 | 第45-46页 |
| ·第三部分实验 | 第46-48页 |
| ·算法在ICTCLAS 中的应用 | 第48-49页 |
| ·应用环境及测试数据 | 第48页 |
| ·测试方法和结果 | 第48-49页 |
| ·本章小结 | 第49-51页 |
| 第6章 结论 | 第51-53页 |
| ·本文总结 | 第51页 |
| ·未来研究工作 | 第51-53页 |
| 参考文献 | 第53-56页 |
| 致谢 | 第56-57页 |
| 摘要 | 第57-59页 |
| ABSTRACT | 第59-60页 |
