基于聚类和动态更新的启发式选择性集成学习算法
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 背景及意义 | 第11-13页 |
| 1.2 国内外研究和发展现状 | 第13-14页 |
| 1.3 本文的主要工作和组织结构 | 第14-16页 |
| 第二章 选择性集成理论 | 第16-33页 |
| 2.1 集成学习 | 第16-22页 |
| 2.1.1 集成学习理论基础 | 第16-18页 |
| 2.1.2 集成学习主要算法 | 第18-20页 |
| 2.1.3 集成学习现状及未来发展方向 | 第20-22页 |
| 2.2 选择性集成学习 | 第22-27页 |
| 2.2.1 选择性集成的起源 | 第22-23页 |
| 2.2.2 选择性集成的理论基础 | 第23-25页 |
| 2.2.3 选择性集成算法GASEN | 第25-26页 |
| 2.2.4 选择性集成现状及未来发展方向 | 第26-27页 |
| 2.3 聚类算法 | 第27-32页 |
| 2.3.1 聚类概念 | 第27-29页 |
| 2.3.2 聚类算法分类 | 第29-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 数据特征降维方法研究 | 第33-37页 |
| 3.1 降维方法研究综述 | 第33-35页 |
| 3.1.1 数据降维的基本概念 | 第33-34页 |
| 3.1.2 机器学习四大降维算法 | 第34-35页 |
| 3.2 基于特征的自动化最优选择策略 | 第35-36页 |
| 3.3 本章小结 | 第36-37页 |
| 第四章 基于聚类和动态更新的启发式选择性集成算法 | 第37-51页 |
| 4.1 多样性度量指标 | 第37-43页 |
| 4.1.1 成对多样性度量 | 第38-40页 |
| 4.1.2 非成对多样性度量 | 第40-43页 |
| 4.2 聚类和迭代更新的启发式选择性集成框架 | 第43-48页 |
| 4.2.1 基分类器参数的并行优化 | 第45页 |
| 4.2.2 基分类器的聚类选择 | 第45-47页 |
| 4.2.3 改进的基于模拟退火的动态更新模型 | 第47-48页 |
| 4.3 选择性集成算法的预测策略 | 第48-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 模型性能评价实验分析 | 第51-64页 |
| 5.1 数据集 | 第51-52页 |
| 5.1.1 UCI数据集 | 第51页 |
| 5.1.2 生物数据集 | 第51-52页 |
| 5.2 性能评价指标 | 第52-57页 |
| 5.3 实验分析与比较 | 第57-63页 |
| 5.3.1 降维实验对比分析 | 第57-58页 |
| 5.3.2 UCI数据集实验对比分析 | 第58-60页 |
| 5.3.3 算法在tRNA集上的实验 | 第60-62页 |
| 5.3.4 分解合并的投票策略 | 第62-63页 |
| 5.4 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 本文总结 | 第64-65页 |
| 6.2 未来展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70页 |
