| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 研究内容与目标 | 第13-14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第2章 相关技术研究 | 第16-25页 |
| 2.1 常见网页欺诈手段 | 第16页 |
| 2.2 常用机器学习分类算法 | 第16-22页 |
| 2.3 数据平衡技术 | 第22-23页 |
| 2.4 智能寻优算法 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 基于随机森林的集成学习算法 | 第25-34页 |
| 3.1 数据不平衡及其影响 | 第25-26页 |
| 3.2 基于随机森林的集成学习算法设计 | 第26-27页 |
| 3.2.1 改变训练样本比例,提升spam检测准确率 | 第26页 |
| 3.2.2 利用样本间的相似性提升normal检测准确率 | 第26-27页 |
| 3.3 基于随机森林的集成学习模型 | 第27-33页 |
| 3.3.1 聚类技术介绍 | 第28-30页 |
| 3.3.2 模型构建 | 第30-32页 |
| 3.3.3 测试策略 | 第32-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第4章 智能混合采样算法 | 第34-42页 |
| 4.1 SMOTE过采样算法 | 第34-35页 |
| 4.2 LOF异常检测算法 | 第35-36页 |
| 4.3 模拟退火算法 | 第36-37页 |
| 4.4 智能混合采样算法(IMSR) | 第37-40页 |
| 4.4.1 混合采样算法 | 第37-39页 |
| 4.4.2 混合采样算法智能化 | 第39-40页 |
| 4.5 本章小结 | 第40-42页 |
| 第5章 实验设置与结果分析 | 第42-50页 |
| 5.1 实验数据准备 | 第42页 |
| 5.2 评价指标 | 第42-43页 |
| 5.3 实验设置与结果分析 | 第43-49页 |
| 5.3.1 基于随机森林的集成学习模型检测实验 | 第43-45页 |
| 5.3.2 智能平衡算法检测实验 | 第45-49页 |
| 5.4 本章小结 | 第49-50页 |
| 总结与展望 | 第50-52页 |
| 总结 | 第50-51页 |
| 展望 | 第51-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 攻读硕士期间发表的论文 | 第57页 |