基于集成半监督学习的标签噪声研究
| 摘要 | 第1-4页 |
| Abstract | 第4-6页 |
| 目录 | 第6-8页 |
| 第一章 绪论 | 第8-14页 |
| ·集成学习的研究背景和意义 | 第8-9页 |
| ·集成学习研究现状 | 第9-10页 |
| ·研究内容与创新 | 第10-11页 |
| ·本文研究内容及结构安排 | 第11-14页 |
| 第二章 AdaBoost 算法及半监督学习 | 第14-26页 |
| ·AdaBoost 算法 | 第14-18页 |
| ·AdaBoost 算法概述 | 第14-15页 |
| ·AdaBoost 算法训练误差分析 | 第15-17页 |
| ·收敛性分析 | 第17-18页 |
| ·AdaBoost 算法在标签噪声学习的应用 | 第18-21页 |
| ·OrBoost 算法 | 第18-20页 |
| ·AveBoost2 算法 | 第20-21页 |
| ·半监督学习 | 第21-24页 |
| ·半监督学习思想 | 第21-23页 |
| ·半监督学习基本方法 | 第23-24页 |
| ·本章小结 | 第24-26页 |
| 第三章 基于 AdaBoost 的标签噪声研究 | 第26-44页 |
| ·标签噪声情况下 AdaBoost 算法性能验证 | 第26-28页 |
| ·基于 Knn 的 AdaBoost 算法 | 第28-31页 |
| ·实验及结果分析 | 第31-42页 |
| ·实验测试数据 | 第31-32页 |
| ·实验参数设定 | 第32-33页 |
| ·实验结果及分析 | 第33-42页 |
| ·本章总结 | 第42-44页 |
| 第四章 半监督学习下标签噪声研究 | 第44-56页 |
| ·自适应集成半监督学习简介 | 第44-46页 |
| ·ASSEMBLE 框架简介 | 第44-45页 |
| ·ASSEMBLE.AdaBoost 算法 | 第45-46页 |
| ·ASSEMBLE.KnnAdaBoost 算法 | 第46-48页 |
| ·实验及结果分析 | 第48-54页 |
| ·实验数据 | 第48-49页 |
| ·实验参数设置 | 第49页 |
| ·实验结果及分析 | 第49-54页 |
| ·本章总结 | 第54-56页 |
| 第五章 基于 RotBoost 的协同训练算法 | 第56-66页 |
| ·相关算法简介 | 第56-60页 |
| ·协同训练算法 | 第56-57页 |
| ·Co-Forest 算法 | 第57-59页 |
| ·旋转森林算法 | 第59-60页 |
| ·基于 RotBoost 的协同训练算法 | 第60-62页 |
| ·实验及结果分析 | 第62-65页 |
| ·实验数据 | 第62页 |
| ·实验参数设定 | 第62页 |
| ·实验结果及分析 | 第62-65页 |
| ·本章总结 | 第65-66页 |
| 第六章 总结与展望 | 第66-68页 |
| ·总结 | 第66页 |
| ·展望 | 第66-68页 |
| 致谢 | 第68-70页 |
| 参考文献 | 第70-74页 |
