| 摘要 | 第3-5页 |
| Abstract | 第5-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文创新点 | 第12页 |
| 1.4 全文组织和安排 | 第12-14页 |
| 第2章 相关理论与技术 | 第14-25页 |
| 2.1 分类的基本概述 | 第14-15页 |
| 2.2 决策树学习算法 | 第15-20页 |
| 2.2.1 决策树算法描述 | 第16-18页 |
| 2.2.2 决策树算法的主要特征 | 第18-19页 |
| 2.2.3 常用决策树算法分析比较 | 第19-20页 |
| 2.3 代价敏感学习 | 第20-21页 |
| 2.4 传统的决策树剪枝算法 | 第21-24页 |
| 2.4.1 传统的决策树预剪枝算法 | 第22-23页 |
| 2.4.2 传统的决策树后剪枝算法 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 一种单位代价收益敏感决策树分类算法 | 第25-40页 |
| 3.1 相关定义 | 第25-27页 |
| 3.2 基于UCG的叶结点类标号判断准则 | 第27-28页 |
| 3.3 新型扩展属性选择因子 | 第28-29页 |
| 3.4 一种UCGS决策树算法 | 第29-33页 |
| 3.4.1 叶结点类标号分配算法 | 第29-32页 |
| 3.4.2 单位代价收益敏感决策树模型 | 第32页 |
| 3.4.3 UCGS决策树算法 | 第32-33页 |
| 3.5 实验分析 | 第33-39页 |
| 3.5.1 UCGS算法的有效性分析 | 第34-36页 |
| 3.5.2 UCGS算法在不均衡数据集上的表现 | 第36-38页 |
| 3.5.3 UCGS算法与其他代价敏感算法的比较 | 第38-39页 |
| 3.6 本章小结 | 第39-40页 |
| 第4章 与预剪枝算法相结合的单位代价收益决策树剪枝算法 | 第40-49页 |
| 4.1 五种后剪枝算法 | 第40-43页 |
| 4.1.1 REP(Reduced-Error Pruning)错误率降低剪枝算法 | 第40页 |
| 4.1.2 PEP(Pessimistic-Error Pruning)悲观剪枝算法 | 第40-41页 |
| 4.1.3 MEP(Minimum Error Pruning)最小化错误率剪枝法 | 第41-42页 |
| 4.1.4 EBP(Error Based Pruning)基于错误率的决策树剪枝算法 | 第42-43页 |
| 4.1.5 CCP(Cost Complex Pruning)代价复杂度剪枝算法 | 第43页 |
| 4.2 与预剪枝算法相结合的单位代价收益决策树剪枝算法 | 第43-45页 |
| 4.3 实验分析 | 第45-48页 |
| 4.3.1 与其他剪枝算法的比较分析 | 第45-47页 |
| 4.3.2 α值对单位代价收益剪枝树的影响 | 第47-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第5章 基于代价复杂度的单位代价收益敏感决策树剪枝算法 | 第49-56页 |
| 5.1 代价-复杂度剪枝法(Cost-Complexity Pruning | 第49-51页 |
| 5.2 基于代价复杂度的单位代价收益敏感决策树剪枝算法(UCG-CCP) | 第51-52页 |
| 5.3 剪枝过程分析 | 第52-54页 |
| 5.4 实验分析 | 第54-55页 |
| 5.5 本章小结 | 第55-56页 |
| 第6章 总结与展望 | 第56-58页 |
| 6.1 本文工作总结 | 第56-57页 |
| 6.2 今后的工作 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 在学期间科研成果 | 第62-63页 |
| 致谢 | 第63-64页 |
