可变空间树分类器
摘要 | 第1-5页 |
Abstract | 第5-10页 |
第一章 引言 | 第10-22页 |
·机器学习 | 第10-12页 |
·发展过程 | 第10-11页 |
·研究内容 | 第11-12页 |
·分类 | 第12-17页 |
·决策树 | 第12-13页 |
·贝叶斯方法 | 第13-14页 |
·人工神经网络 | 第14页 |
·近邻 | 第14-15页 |
·支持向量机 | 第15-16页 |
·集成分类器 | 第16-17页 |
·流形学习 | 第17-18页 |
·谱方法 | 第18-19页 |
·论文的主要工作 | 第19-20页 |
·论文组织 | 第20-22页 |
第二章 Fast C4.5 | 第22-46页 |
·引言 | 第22-23页 |
·决策树与C4.5 算法 | 第23-28页 |
·决策树 | 第24-26页 |
·C4.5 算法 | 第26-28页 |
·C4.5 算法瓶颈 | 第28-30页 |
·连续属性分裂点的评价 | 第28-29页 |
·分割点的确定 | 第29-30页 |
·Fast C4.5 算法 | 第30-39页 |
·预处理 | 第30-33页 |
·决策树构建 | 第33-39页 |
·属性列表的使用方法 | 第33-34页 |
·快速连续属性分裂点评价 | 第34-38页 |
·快速分割点寻找 | 第38-39页 |
·实验 | 第39-45页 |
·实验设计 | 第39-41页 |
·运行性能实验 | 第41-42页 |
·可扩放性实验 | 第42-43页 |
·关于输出的讨论 | 第43-45页 |
·本章小结 | 第45-46页 |
第三章 潜在属性空间树分类器 | 第46-77页 |
·引言 | 第46-48页 |
·奇异值分解和奇异向量空间 | 第48-51页 |
·奇异值分解 | 第48-49页 |
·奇异向量空间 | 第49-51页 |
·潜在属性空间树分类器框架 | 第51页 |
·奇异向量空间树分类器 | 第51-58页 |
·奇异向量空间斜决策树 | 第52页 |
·全局奇异向量空间斜决策树 | 第52-54页 |
·局部奇异向量空间斜决策树 | 第54-57页 |
·时间复杂度分析 | 第57-58页 |
·实验 | 第58-76页 |
·评价指标 | 第59页 |
·实验设计 | 第59-60页 |
·实验结果及讨论 | 第60-75页 |
·测试错误率 | 第61-67页 |
·决策树大小 | 第67-72页 |
·决策树构建时间 | 第72-75页 |
·小结 | 第75-76页 |
·本章小节 | 第76-77页 |
第四章 谱空间树分类器 | 第77-103页 |
·引言 | 第77-78页 |
·图谱方法 | 第78-83页 |
·图的分割准则 | 第78-82页 |
·图的构建 | 第82-83页 |
·基于非线性流形映射的分类器框架 | 第83-85页 |
·流形映射 | 第83-84页 |
·分类器构建 | 第84页 |
·测试数据的分类 | 第84-85页 |
·谱空间树分类器 | 第85-93页 |
·基本理论 | 第85-89页 |
·谱空间变换 | 第85-87页 |
·测试数据的分类 | 第87-89页 |
·具体实现及改进 | 第89-93页 |
·基于连续化-最近邻的局部尺度全连通图构建 | 第89-91页 |
·归一化的拉普拉斯矩阵 | 第91页 |
·谱空间树分类器算法 | 第91-93页 |
·基于有监督流形映射的谱空间树分类器 | 第93-95页 |
·有监督的谱空间变换 | 第94-95页 |
·基于非线性流形映射分类器框架的其它实现 | 第95-98页 |
·流形降维 | 第95-98页 |
·等度规映射 | 第96-97页 |
·局部线性嵌入 | 第97-98页 |
·实验 | 第98-102页 |
·实验设计 | 第99-100页 |
·实验结果及讨论 | 第100-102页 |
·测试错误率 | 第100-101页 |
·决策树大小 | 第101-102页 |
·本章小结 | 第102-103页 |
第五章 结论 | 第103-105页 |
·研究成果 | 第103-104页 |
·工作展望 | 第104-105页 |
参考文献 | 第105-112页 |
致谢 | 第112-113页 |
攻读学位期间发表学术论文目录 | 第113-114页 |
攻读学位期间参与科研项目 | 第114-115页 |