| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第10-15页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 研究现状 | 第11-13页 |
| 1.2.1 不平衡数据集分类困难的原因 | 第11-12页 |
| 1.2.2 国内外研究状况 | 第12-13页 |
| 1.3 创新点 | 第13页 |
| 1.4 论文安排 | 第13-15页 |
| 2 不平衡数据的分类方法 | 第15-29页 |
| 2.1 基于数据层面 | 第15-16页 |
| 2.1.1 欠抽样(under-sampling) | 第15-16页 |
| 2.1.2 过抽样(over-sampling) | 第16页 |
| 2.2 基于算法层面 | 第16-19页 |
| 2.2.1 Boosting | 第16-18页 |
| 2.2.2 代价敏感法 | 第18-19页 |
| 2.3 基于判别准则 | 第19-21页 |
| 2.3.1 AUC | 第20-21页 |
| 2.4 分类器 | 第21-29页 |
| 2.4.1 支持向量机 | 第21-24页 |
| 2.4.2 BP神经网络 | 第24-26页 |
| 2.4.3 决策树 | 第26-29页 |
| 3 一种新的混合式集成算法 | 第29-33页 |
| 3.1 抽样方法和集成算法的混合应用 | 第29-30页 |
| 3.1.1 混合重抽样算法(Hybrid Sampling) | 第29页 |
| 3.1.2 SMOTEBoost算法 | 第29-30页 |
| 3.1.3 RUSBoost算法 | 第30页 |
| 3.2 一种新的混合式集成算法(HSBoost) | 第30-33页 |
| 4 HSBoost算法实证研究 | 第33-45页 |
| 4.1 数据预处理 | 第33-34页 |
| 4.2 模型构建及参数设置 | 第34-36页 |
| 4.2.1 模型构建 | 第34-35页 |
| 4.2.2 参数设置 | 第35-36页 |
| 4.3 实证结果分析 | 第36-42页 |
| 4.4 非参数检验 | 第42-45页 |
| 5 结论和展望 | 第45-46页 |
| 参考文献 | 第46-48页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第48-50页 |
| 学位论文数据集 | 第50页 |