基于多分类器集成的工业品缺陷分析方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题背景 | 第11-12页 |
| 1.2 研究意义 | 第12-13页 |
| 1.3 相关研究及挑战 | 第13-15页 |
| 1.4 本文主要工作及结构 | 第15-16页 |
| 1.5 本章小结 | 第16-17页 |
| 第2章 相关问题与基础理论 | 第17-25页 |
| 2.1 数据质量问题 | 第17-19页 |
| 2.1.1 非一致值 | 第17页 |
| 2.1.2 缺失值 | 第17-18页 |
| 2.1.3 重复及冗余 | 第18-19页 |
| 2.2 维数灾难 | 第19页 |
| 2.3 集成学习 | 第19-23页 |
| 2.3.1 Boosting | 第20-21页 |
| 2.3.2 Bagging和随机森林 | 第21-23页 |
| 2.4 本章小结 | 第23-25页 |
| 第3章 分析框架与数据整理分析 | 第25-38页 |
| 3.1 整体分析框架 | 第25-26页 |
| 3.2 目标问题 | 第26-27页 |
| 3.3 数据特点和描述 | 第27-29页 |
| 3.3.1 数据分层结构 | 第27-28页 |
| 3.3.2 数据定义 | 第28-29页 |
| 3.4 数据清洗 | 第29-31页 |
| 3.5 统计分析 | 第31-34页 |
| 3.6 数据预处理 | 第34-37页 |
| 3.6.1 标准化 | 第34-35页 |
| 3.6.2 连续值离散化 | 第35-37页 |
| 3.6.3 数据变换 | 第37页 |
| 3.7 本章小结 | 第37-38页 |
| 第4章 基于代价敏感森林的多分类模型 | 第38-51页 |
| 4.1 类别不平衡问题 | 第38-40页 |
| 4.2 多类别问题 | 第40-42页 |
| 4.3 不平衡多类别分类模型 | 第42-50页 |
| 4.3.1 多分类器模型 | 第42-43页 |
| 4.3.2 代价敏感学习 | 第43-44页 |
| 4.3.3 基于代价敏感的多类别再缩放 | 第44-47页 |
| 4.3.4 分类模型构建 | 第47-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第5章 实验结果与评估 | 第51-64页 |
| 5.1 实验配置 | 第51-54页 |
| 5.2 评价指标 | 第54-55页 |
| 5.3 实验结果与分析 | 第55-63页 |
| 5.3.1 代价敏感对比实验 | 第55-56页 |
| 5.3.2 个体数量的影响 | 第56-58页 |
| 5.3.3 对照实验 | 第58-61页 |
| 5.3.4 特征重要性分析 | 第61-63页 |
| 5.4 本章小结 | 第63-64页 |
| 第6章 总结与展望 | 第64-66页 |
| 6.1 本文总结 | 第64页 |
| 6.2 未来工作展望 | 第64-66页 |
| 参考文献 | 第66-69页 |
| 攻读硕士学位期间主要的研究成果 | 第69-70页 |
| 致谢 | 第70页 |
