| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-11页 |
| 1.1 课题研究背景及意义 | 第8-9页 |
| 1.2 本文主要研究内容及创新点 | 第9页 |
| 1.3 本文的组织结构 | 第9-11页 |
| 2 非平衡数据集分类的研究综述 | 第11-22页 |
| 2.1 非平衡数据集分类的难点 | 第11-13页 |
| 2.2 非平衡数据集分类的相关研究 | 第13-18页 |
| 2.2.1 算法层面的方法 | 第13-16页 |
| 2.2.2 数据层面的方法 | 第16-18页 |
| 2.3 非平衡数据集分类的评价标准 | 第18-21页 |
| 2.3.1 g-mean 准则 | 第19-20页 |
| 2.3.2 F-value 准则 | 第20页 |
| 2.3.3 ROC 曲线及 AUC 面积 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 3 支持向量机和非平衡数据集学习 | 第22-30页 |
| 3.1 支持向量机分析 | 第22-26页 |
| 3.1.1 支持向量机 | 第22-24页 |
| 3.1.2 数据不均衡性对支持向量机的影响 | 第24-26页 |
| 3.2 非平衡数据集学习 | 第26-29页 |
| 3.2.1 SMOTE 算法 | 第26-27页 |
| 3.2.2 SMOTE 算法的不足之处 | 第27-29页 |
| 3.3 本章小结 | 第29-30页 |
| 4 基于混合采样的非平衡数据集分类模型设计 | 第30-42页 |
| 4.1 三种性质样本点定义 | 第30-33页 |
| 4.2 噪声点样本的处理 | 第33页 |
| 4.3 安全点样本的处理 | 第33-34页 |
| 4.4 危险点样本的处理 | 第34-38页 |
| 4.4.1 边界区域切割方法 | 第35-37页 |
| 4.4.2 边界区域切割方法与简单随机欠采样方法比较 | 第37-38页 |
| 4.5 SVM-IMSA 算法 | 第38-41页 |
| 4.5.1 SVM-IMSA 算法描述 | 第38-39页 |
| 4.5.2 SVM-IMSA 算法伪代码 | 第39-40页 |
| 4.5.3 SVM-IMSA 算法性能分析 | 第40-41页 |
| 4.6 本章小结 | 第41-42页 |
| 5 实验及结果分析 | 第42-50页 |
| 5.1 实验数据集 | 第42-43页 |
| 5.2 对比算法简单介绍 | 第43-44页 |
| 5.3 实验结果及性能分析 | 第44-49页 |
| 5.3.1 参数 和 对算法性能的影响 | 第44-45页 |
| 5.3.2 本文算法采样样本集对比 | 第45-46页 |
| 5.3.3 不同算法在非平衡数据集上的性能比较 | 第46-48页 |
| 5.3.4 不同比例程度下算法性能比较 | 第48-49页 |
| 5.4 本章小结 | 第49-50页 |
| 6 总结及展望 | 第50-52页 |
| 6.1 总结 | 第50页 |
| 6.2 进一步工作 | 第50-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 附录 | 第56页 |