| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 不平衡分类问题的国内外研究现状 | 第11-12页 |
| 1.2.2 粗糙集属性约简的国内外研究现状 | 第12-13页 |
| 1.3 本文的主要工作和安排 | 第13-15页 |
| 第二章 相关理论知识 | 第15-25页 |
| 2.1 集成学习 | 第15-22页 |
| 2.1.1 分类问题概述 | 第15-17页 |
| 2.1.2 常用的集成学习方法 | 第17-19页 |
| 2.1.3 集成学习方法的多样性 | 第19-20页 |
| 2.1.4 选择性集成学习 | 第20-22页 |
| 2.2 不平衡数据的集成学习 | 第22-23页 |
| 2.3 常见的参数优化和特征选择方法 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 基于Relief特征选择和GP参数优化的XGBoost不平衡分类方法 | 第25-43页 |
| 3.1 相关算法简介 | 第25-30页 |
| 3.1.1 XGBoost集成算法简介 | 第25-28页 |
| 3.1.2 K-Means聚类算法简介 | 第28-29页 |
| 3.1.3 Relief算法简介 | 第29-30页 |
| 3.2 Relief特征选择和GP参数优化的XGBoost不平衡分类 | 第30-35页 |
| 3.2.1 面向不平衡数据的改进型Relief特征选择算法 | 第30-32页 |
| 3.2.2 高斯过程优化XGBoost算法参数 | 第32-33页 |
| 3.2.3 Relief特征选择和GP参数优化的XGBoost算法 | 第33-35页 |
| 3.3 实验结果与分析 | 第35-42页 |
| 3.3.1 实验数据集 | 第35-36页 |
| 3.3.2 评价标准 | 第36-37页 |
| 3.3.3 参数设置 | 第37页 |
| 3.3.4 实验分析 | 第37-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第四章 基于粗糙集属性约简和GP参数优化的XGBoost不平衡分类方法 | 第43-68页 |
| 4.1 相关概念 | 第43-45页 |
| 4.1.1 直觉模糊粗糙集 | 第43-44页 |
| 4.1.2 多粒度粗糙集 | 第44-45页 |
| 4.2 可变直觉多粒度粗糙集模型 | 第45-51页 |
| 4.3 可变直觉多粒度粗糙集模型实例分析 | 第51-53页 |
| 4.4 近似分布约简算法 | 第53-57页 |
| 4.5 粗糙集属性约简和GP参数优化的XGBoost算法 | 第57-59页 |
| 4.6 实验结果与分析 | 第59-67页 |
| 4.6.1 近似分布约简算法实验分析 | 第59-64页 |
| 4.6.2 粗糙集属性约简和GP参数优化的XGBoost算法实验分析 | 第64-67页 |
| 4.7 本章小结 | 第67-68页 |
| 第五章 总结与展望 | 第68-70页 |
| 5.1 论文总结 | 第68-69页 |
| 5.2 工作展望 | 第69-70页 |
| 参考文献 | 第70-75页 |
| 致谢 | 第75-77页 |
| 攻读硕士期间发表的学术论文 | 第77-78页 |
| 攻读硕士期间参加的科研项目 | 第78页 |
