机器学习中样本筛选方法的研究与应用
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 研究现状和发展趋势 | 第11-14页 |
| 1.2.1 样本缩减方法研究现状 | 第11-12页 |
| 1.2.2 异常数据检测研究现状 | 第12-14页 |
| 1.3 论文的研究内容和主要工作 | 第14-15页 |
| 1.4 论文章节安排 | 第15-16页 |
| 第二章 样本筛选的相关理论 | 第16-31页 |
| 2.1 机器学习理论 | 第16-19页 |
| 2.1.1 朴素贝叶斯 | 第16页 |
| 2.1.2 最近距离分类算法 | 第16-17页 |
| 2.1.3 Adaboost算法 | 第17-18页 |
| 2.1.4 支持向量机 | 第18-19页 |
| 2.2 冗余点筛选方法 | 第19-24页 |
| 2.2.1 聚类型缩减算法 | 第19-20页 |
| 2.2.2 近邻型缩减算法 | 第20-21页 |
| 2.2.3 几何型缩减算法 | 第21-23页 |
| 2.2.4 现有缩减算法存在的问题 | 第23-24页 |
| 2.3 离群点检测方法概述 | 第24-30页 |
| 2.3.1 离群点概述 | 第24页 |
| 2.3.2 离群点常用算法概述 | 第24-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 壳状数据选择算法方法 | 第31-58页 |
| 3.1 算法原理 | 第31-33页 |
| 3.2 壳状数据选择算法方法介绍 | 第33-36页 |
| 3.3 对比实验 | 第36-57页 |
| 3.3.1 实验数据集 | 第36-39页 |
| 3.3.2 实验设计和测量 | 第39-41页 |
| 3.3.3 实验结果与分析 | 第41-57页 |
| 3.4 本章小结 | 第57-58页 |
| 第四章 改进的离群点检测方法 | 第58-75页 |
| 4.1 基于距离的异常点检测方法 | 第58-61页 |
| 4.1.1 基于距离的异常点检测算法介绍 | 第58-60页 |
| 4.1.2 基于平均K近邻距离的离群点检测算法 | 第60-61页 |
| 4.2 改进的离群点检测算法 | 第61-69页 |
| 4.2.1 算法思路 | 第61-64页 |
| 4.2.2 算法描述 | 第64-68页 |
| 4.2.3 算法分析 | 第68-69页 |
| 4.3 实验分析 | 第69-73页 |
| 4.3.1 实验数据集 | 第69页 |
| 4.3.2 实验设计 | 第69-70页 |
| 4.3.3 实验结果与分析 | 第70-73页 |
| 4.4 本章小结 | 第73-75页 |
| 第五章 全文总结与展望 | 第75-77页 |
| 5.1 总结 | 第75页 |
| 5.2 展望 | 第75-77页 |
| 致谢 | 第77-78页 |
| 参考文献 | 第78-82页 |
| 读研期间获得的成果 | 第82-83页 |
