半监督学习中不平衡数据集分类研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-23页 |
| 1.1 半监督学习的研究背景 | 第9-10页 |
| 1.2 影响分类器的因素 | 第10-11页 |
| 1.3 不平衡数据集分类研究背景 | 第11-15页 |
| 1.3.1 不平衡数据集 | 第11-12页 |
| 1.3.2 数据集不平衡度 | 第12-13页 |
| 1.3.3 不平衡数据集分类的问题 | 第13-15页 |
| 1.4 不平衡数据集分类文献综述 | 第15-21页 |
| 1.4.1 基于数据的不平衡数据集分类方法 | 第15-19页 |
| 1.4.2 基于算法的不平衡数据集分类方法 | 第19-21页 |
| 1.5 半监督学习环境中不平衡数据集分类 | 第21页 |
| 1.6 本文研究思路 | 第21-23页 |
| 2 不平衡数据集分类 | 第23-30页 |
| 2.1 数据集描述 | 第23页 |
| 2.2 样本相似性描述 | 第23-24页 |
| 2.3 样本信息量 | 第24-27页 |
| 2.3.1 样本信息量度量方法 | 第24-26页 |
| 2.3.2 样本信息量在不平衡数据分类的应用 | 第26-27页 |
| 2.4 不平衡数据分类评价标准 | 第27-30页 |
| 2.4.1 传统的分类评价方法 | 第27-28页 |
| 2.4.2 不平衡二分类评价方法 | 第28-30页 |
| 3 迭代最近邻过采样 | 第30-45页 |
| 3.1 问题提出 | 第30-31页 |
| 3.2 相关工作 | 第31-32页 |
| 3.3 数据集不平衡性的定量描述 | 第32-33页 |
| 3.4 迭代最近邻过采样算法 | 第33-38页 |
| 3.4.1 算法框架 | 第34页 |
| 3.4.2 算法假设 | 第34-35页 |
| 3.4.3 算法提出 | 第35-38页 |
| 3.4.4 参数讨论 | 第38页 |
| 3.5 基于样本信息量的迭代最近邻过采样 | 第38-40页 |
| 3.5.1 基于局部密度的样本信息量 | 第38-39页 |
| 3.5.2 基于样本信息量的改进INNO算法 | 第39-40页 |
| 3.6 基于半监督学习的不平衡数据集分类方法 | 第40-45页 |
| 3.6.1 图的建立 | 第40-41页 |
| 3.6.2 基于图的半监督学习方法框架 | 第41-42页 |
| 3.6.3 高斯随机场与调和函数法 | 第42页 |
| 3.6.4 局部与全局一致性 | 第42-43页 |
| 3.6.5 GTAM方法 | 第43-45页 |
| 4 实验与结果分析 | 第45-56页 |
| 4.1 对比算法 | 第45页 |
| 4.2 实验目的 | 第45-46页 |
| 4.3 数据集描述 | 第46-47页 |
| 4.4 实验及分析 | 第47-56页 |
| 4.4.1 实验设置 | 第47页 |
| 4.4.2 人造双月数据集 | 第47-49页 |
| 4.4.3 UCI数据集 | 第49-51页 |
| 4.4.4 MNIST数据集 | 第51-53页 |
| 4.4.5 参数讨论 | 第53-56页 |
| 结论 | 第56-57页 |
| 参考文献 | 第57-63页 |
| 攻读硕士学位期间发表学术论文情况 | 第63-64页 |
| 致谢 | 第64-65页 |
