SVM分类器的扩展及其应用研究
| 摘要 | 第1-6页 |
| Abstract | 第6-12页 |
| 第1章 绪 论 | 第12-18页 |
| ·研究背景及意义 | 第12-14页 |
| ·国内外研究现状 | 第14-16页 |
| ·本文主要研究内容和结构安排 | 第16-18页 |
| ·本文主要研究内容 | 第16-17页 |
| ·本文结构安排 | 第17-18页 |
| 第2章 用于数据挖掘的分类挖掘 | 第18-28页 |
| ·知识发现 | 第18-19页 |
| ·数据挖掘 | 第19-21页 |
| ·分类挖掘 | 第21-27页 |
| ·分类问题的内涵 | 第21-22页 |
| ·分类的数学机理 | 第22-23页 |
| ·分类模型的特性 | 第23页 |
| ·分类问题的外延 | 第23-24页 |
| ·分类模型的构造方法 | 第24-27页 |
| ·本章小结 | 第27-28页 |
| 第3章 统计学习理论和 SVM 模型研究 | 第28-36页 |
| ·传统统计学方法 | 第28-29页 |
| ·统计学习理论 | 第29-31页 |
| ·SVM 的提出 | 第31-32页 |
| ·SVM 分类原理 | 第32-35页 |
| ·SVM 性能分析 | 第35页 |
| ·本章小结 | 第35-36页 |
| 第4章 提高SVM 分类性能的研究 | 第36-51页 |
| ·对支持向量机的深入学习 | 第36-39页 |
| ·优化训练问题 | 第36-37页 |
| ·核函数及参数选取 | 第37-39页 |
| ·特征选择 | 第39页 |
| ·利用未标记数据提高SVM 分类性能的研究 | 第39-41页 |
| ·问题的提出 | 第39-40页 |
| ·算法的设计 | 第40-41页 |
| ·算法的实现 | 第41页 |
| ·利用集成学习思想提高SVM 分类性能的研究 | 第41-46页 |
| ·问题的提出 | 第41-45页 |
| ·算法的实现 | 第45-46页 |
| ·系统的整体框架 | 第46-49页 |
| ·功能子系统 | 第46-47页 |
| ·系统的运行流程 | 第47-49页 |
| ·分类规则输出 | 第49页 |
| ·本章小结 | 第49-51页 |
| 第5章 实验结果和性能分析 | 第51-58页 |
| ·实验环境及评估指标 | 第51页 |
| ·改进模型的垃圾邮件分类应用 | 第51-57页 |
| ·电子邮件分类技术的现状 | 第52-53页 |
| ·邮件的特征表示 | 第53页 |
| ·文本分类原理 | 第53-54页 |
| ·SVM 模型选择 | 第54页 |
| ·数据集 | 第54-55页 |
| ·算法性能分析 | 第55-57页 |
| ·本章小结 | 第57-58页 |
| 结论 | 第58-60页 |
| 一、论文工作总结 | 第58-59页 |
| 二、下一步工作展望 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 致谢 | 第63-64页 |
| 附录A 攻读硕士学位期间所发表的学术论文 | 第64-65页 |
| 附录B 攻读硕士期间参加的项目 | 第65页 |
