基于粗糙集的多分类器集成学习方法研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 引言 | 第8-14页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 多分类器集成学习的国内外研究现状 | 第9-11页 |
| 1.2.2 粗糙集理论的国内外研究现状 | 第11-12页 |
| 1.3 论文主要工作 | 第12-13页 |
| 1.4 论文的组织结构和章节安排 | 第13-14页 |
| 第2章 多分类器集成学习相关理论概述 | 第14-23页 |
| 2.1 多分类器集成学习的基本概念 | 第14-15页 |
| 2.2 多分类器集成学习的框架 | 第15-18页 |
| 2.2.1 基分类器的产生方式 | 第15-16页 |
| 2.2.2 基分类器的集成方式 | 第16-17页 |
| 2.2.3 基分类器的整合方式 | 第17-18页 |
| 2.3 多分类器集成学习的主要算法 | 第18-22页 |
| 2.3.1 Boosting算法 | 第18-19页 |
| 2.3.2 Bagging算法 | 第19-20页 |
| 2.3.3 Random Subspace算法 | 第20-21页 |
| 2.3.4 Rotation Forest算法 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 基于粗糙集的多分类器集成方法研究 | 第23-36页 |
| 3.1 粗糙集理论 | 第23-24页 |
| 3.2 基于粗糙集的多分类器集成学习算法 | 第24-31页 |
| 3.2.1 数据预处理 | 第25-26页 |
| 3.2.2 属性约简 | 第26-27页 |
| 3.2.3 正区域样本的计算 | 第27-28页 |
| 3.2.4 算法描述 | 第28-30页 |
| 3.2.5 算法的复杂度分析 | 第30-31页 |
| 3.3 实验结果与分析 | 第31-35页 |
| 3.3.1 实验数据集及评价标准 | 第31-32页 |
| 3.3.2 实验方法 | 第32页 |
| 3.3.3 实验结果与分析 | 第32-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第4章 基于粗糙集的增量式集成学习方法研究 | 第36-48页 |
| 4.1 增量学习 | 第36-37页 |
| 4.2 增量式集成学习算法Learn++ | 第37-39页 |
| 4.3 基于粗糙集的增量式集成学习算法 | 第39-41页 |
| 4.3.1 算法思想 | 第39-40页 |
| 4.3.2 算法描述 | 第40-41页 |
| 4.4 实验结果与分析 | 第41-47页 |
| 4.4.1 实验数据集 | 第41-42页 |
| 4.4.2 实验设置 | 第42-43页 |
| 4.4.3 实验结果与分析 | 第43-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第5章 总结及未来工作 | 第48-50页 |
| 5.1 总结 | 第48-49页 |
| 5.2 未来工作 | 第49-50页 |
| 参考文献 | 第50-55页 |
| 致谢 | 第55-56页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第56页 |
