| 致谢 | 第1-4页 |
| 摘要 | 第4-5页 |
| Abstract | 第5-7页 |
| 第一章 引言 | 第7-14页 |
| ·本文的工作 | 第7页 |
| ·机器学习的基本概念 | 第7-9页 |
| ·几种学习算法 | 第9-12页 |
| ·主题与研究现状 | 第12-14页 |
| 第二章 单翼分解与纯度函数的失效问题 | 第14-29页 |
| ·决策树与纯度函数的基本概念 | 第14-15页 |
| ·一个新的记号系统 | 第15-17页 |
| ·新的纯度函数 | 第17-19页 |
| ·用新的纯度函数分析最大误差方法 | 第19-20页 |
| ·基尼指数函数带来的困难 | 第20-21页 |
| ·寻找瑕疵方向 | 第21-22页 |
| ·两类分类问题中纯度函数的瑕疵方向及其它性质 | 第22-24页 |
| ·检测出信息增益的条件 | 第24-25页 |
| ·实验与数据 | 第25-28页 |
| ·这项研究是数据分布影响算法效果的一个例子 | 第28-29页 |
| 第三章 核函数的扭曲问题 | 第29-39页 |
| ·概念与意义 | 第29页 |
| ·支持向量机及核方法 | 第29-31页 |
| ·扭曲现象可能使最大间隔失去意义 | 第31-36页 |
| ·支持向量机是一种"整体方法" | 第36-37页 |
| ·核函数的任务 | 第37页 |
| ·核函数的表现力 | 第37-38页 |
| ·数据分布影响算法效果的又一个例子 | 第38-39页 |
| 第四章 解决多项式核参数选择问题的一种新思路及一个指导性不等式 | 第39-51页 |
| ·多项式核函数的参数选择问题 | 第39-40页 |
| ·问题的条件 | 第40-41页 |
| ·一个一维问题 | 第41-44页 |
| ·推广 | 第44-47页 |
| ·实验与数据 | 第47-51页 |
| 第五章 结论 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 详细摘要 | 第55-57页 |
| Abstract | 第57-58页 |