| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 三支决策理论及其研究现状 | 第11-12页 |
| 1.3 数据挖掘代价敏感学习国内外研究现状 | 第12-13页 |
| 1.4 论文研究内容与结构安排 | 第13-16页 |
| 1.4.1 主要研究内容 | 第13-14页 |
| 1.4.2 结构安排 | 第14-16页 |
| 第二章 三支决策、数据挖掘基础知识 | 第16-26页 |
| 2.1 决策粗糙集理论 | 第16-22页 |
| 2.1.1 Pawlak代数粗糙集模型 | 第16-17页 |
| 2.1.2 基于最小风险的Bayes决策 | 第17-19页 |
| 2.1.3 决策粗糙集模型 | 第19-22页 |
| 2.2 基于决策粗糙集的三支决策语义 | 第22-23页 |
| 2.3 数据挖掘相关理论 | 第23-25页 |
| 2.3.1 支持向量机增量学习 | 第23-24页 |
| 2.3.2 ID3决策树学习算法 | 第24-25页 |
| 2.3.3 离群点检测方法 | 第25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 基于三支决策的代价敏感支持向量机增量学习方法 | 第26-36页 |
| 3.1 引言 | 第26页 |
| 3.2 基于支持向量机的三支决策条件概率的构建 | 第26-29页 |
| 3.2.1 SVM线性模式下的三支决策条件概率构建 | 第27页 |
| 3.2.2 SVM非线性可分模式下的三支决策条件概率构建 | 第27-29页 |
| 3.3 基于三支决策的支持向量机边界向量构建 | 第29-30页 |
| 3.4 基于三支决策的代价敏感支持向量机增量学习算法 | 第30-31页 |
| 3.4.1 算法 | 第30-31页 |
| 3.4.2 算法时间复杂度分析 | 第31页 |
| 3.5 实验分析 | 第31-34页 |
| 3.6 本章小结 | 第34-36页 |
| 第四章 基于三支决策的代价敏感离群点检测方法 | 第36-52页 |
| 4.1 引言 | 第36-38页 |
| 4.2 基于离群点检测的三支决策条件概率的构建 | 第38-39页 |
| 4.3 最优条件概率的计算 | 第39-42页 |
| 4.4 基于三支决策的代价敏感离群点检测算法 | 第42-44页 |
| 4.5 实验分析 | 第44-50页 |
| 4.6 本章小结 | 第50-52页 |
| 第五章 基于三支决策的代价敏感决策树学习方法 | 第52-62页 |
| 5.1 引言 | 第52-53页 |
| 5.2 代价敏感三支决策树的构建 | 第53-55页 |
| 5.2.1 决策树结点的三支决策条件概率构建 | 第54页 |
| 5.2.2 代价敏感三支决策树构建算法 | 第54-55页 |
| 5.3 代价敏感三支决策树合并剪枝算法 | 第55-56页 |
| 5.4 实验分析 | 第56-60页 |
| 5.5 本章小结 | 第60-62页 |
| 第六章 结论 | 第62-64页 |
| 6.1 工作总结 | 第62-63页 |
| 6.2 今后研究构想 | 第63-64页 |
| 参考文献 | 第64-69页 |
| 致谢 | 第69-70页 |
| 攻读学位期间的科研成果 | 第70-71页 |
