| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景与研究目的 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 数据重采样 | 第9-11页 |
| 1.2.2 分类器算法优化 | 第11-12页 |
| 1.3 主要研究内容 | 第12-13页 |
| 1.4 章节结构安排 | 第13-14页 |
| 第2章 类内不平衡样本分类概述 | 第14-26页 |
| 2.1 类内不平衡样本数据本质 | 第14-15页 |
| 2.2 不平衡样本分类困难概述 | 第15-18页 |
| 2.2.1 样本稀缺 | 第15-16页 |
| 2.2.2 样本边界重叠 | 第16-17页 |
| 2.2.3 类内不平衡 | 第17页 |
| 2.2.4 噪声样本 | 第17-18页 |
| 2.3 不平衡数据分类方法的研究 | 第18-21页 |
| 2.3.1 基于数据重采样的处理方法 | 第18-19页 |
| 2.3.2 基于算法改进的处理方法 | 第19-21页 |
| 2.4 粒子群优化算法 | 第21-22页 |
| 2.5 评价标准 | 第22-25页 |
| 2.5.1 原子标准 | 第23-24页 |
| 2.5.2 复合标准 | 第24页 |
| 2.5.3 ROC曲线及AUC面积 | 第24-25页 |
| 2.6 本章小结 | 第25-26页 |
| 第3章 改进DBSCAN-PSO-BOOST算法 | 第26-40页 |
| 3.1 考虑类内不平衡的混合采样方法研究 | 第26-33页 |
| 3.1.1 边界样本Borderline算法描述 | 第27-28页 |
| 3.1.2 改进DBSCAN算法描述 | 第28-30页 |
| 3.1.3 基于粒子群优化的Smote混合采样算法描述 | 第30-33页 |
| 3.2 考虑类内不平衡的集成分类方法研究 | 第33-37页 |
| 3.2.1 集成学习在不平衡样本分类问题中的应用 | 第33-34页 |
| 3.2.2 不平衡样本权重更新策略 | 第34-36页 |
| 3.2.3 Ada Boost算法基分类器权重优化 | 第36-37页 |
| 3.3 DBPS-Boost算法描述 | 第37-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 实验结果与分析 | 第40-56页 |
| 4.1 类内不平衡对分类效果影响的验证与结果分析 | 第40-42页 |
| 4.2 实验数据描述 | 第42-44页 |
| 4.2.1 数据预处理 | 第42-43页 |
| 4.2.2 实验相关设置 | 第43-44页 |
| 4.3 DBPS算法的有效性验证 | 第44-52页 |
| 4.3.1 改进DBSCAN聚类算法有效性验证 | 第44-46页 |
| 4.3.2 DBS融合PSO分类算法有效性验证 | 第46-52页 |
| 4.4 DBPS-Boost算法的有效性验证 | 第52-55页 |
| 4.5 本章小结 | 第55-56页 |
| 结论 | 第56-57页 |
| 参考文献 | 第57-62页 |
| 致谢 | 第62页 |