| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 符号和缩略词 | 第7-8页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 选题背景与研究意义 | 第8-9页 |
| 1.2 国内外现状 | 第9-10页 |
| 1.3 本文的主要研究内容 | 第10页 |
| 1.4 本文的组织结构 | 第10-12页 |
| 第二章 分类的基本理论 | 第12-25页 |
| 2.1 分类的理论基础 | 第12-14页 |
| 2.2 常用分类算法 | 第14-22页 |
| 2.2.1 决策树算法 | 第14-18页 |
| 2.2.2 支持向量机 | 第18-20页 |
| 2.2.3 贝叶斯算法 | 第20-21页 |
| 2.2.4 最近邻算法 | 第21-22页 |
| 2.3 常用分类方法的比较 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 集成学习的基本理论 | 第25-39页 |
| 3.1 集成学习的背景 | 第25-26页 |
| 3.2 集成学习的理论基础 | 第26-38页 |
| 3.2.1 集成学习的基本方法与算法 | 第26-28页 |
| 3.2.2 Bagging算法 | 第28-30页 |
| 3.2.3 Boosting算法 | 第30-34页 |
| 3.2.4 Bagging和Boosting的比较 | 第34-38页 |
| 3.3 本章小结 | 第38-39页 |
| 第四章 Ensemble-Ada Boost算法 | 第39-50页 |
| 4.1 Ensemble-Ada Boost算法思想 | 第39-41页 |
| 4.2 基于Ensemble-Ada Boost框架的算法描述与讨论 | 第41-44页 |
| 4.3 实验数据和实验结果 | 第44-49页 |
| 4.3.1 实验 1 | 第44-47页 |
| 4.3.2 实验 2 | 第47-48页 |
| 4.3.3 实验 3 | 第48-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第五章 总结与展望 | 第50-51页 |
| 5.1 总结 | 第50页 |
| 5.2 下一步的工作 | 第50-51页 |
| 致谢 | 第51-52页 |
| 参考文献 | 第52-55页 |
