面向不平衡数据集的集成算法研究与应用

目录

声明

1 绪论

1.1 背景及意义

1.2 不平衡数据分类的研究现状

1.3 论文主要的研究工作和创新点

1.4 论文的结构框架

2 集成学习算法

2.1 集成学习算法概述

2.2 基分类器构造方法

2.2.1 Boosting方法

2.2.2 Bagging方法

2.2.3 特征选择的方法

2.3 集成学习在不平衡数据分类中的应用

2.4 本章小结

3 基于组合采样法的旋转森林集成分类方法

3.1 不平衡样本数据

3.2 采样机制

3.2.1 过采样技术

3.2.2 欠采样技术

3.3 评价指标

3.4 基于组合采样法的旋转森林不平衡数据分类方法

3.4.1 组合采样法的旋转森林集成算法

3.4.2 PCA在旋转森林中的作用

3.5 实验结果及分析

3.6 本章小节

4 面向不平衡数据的概率阈值Bagging集成算法研究

4.1 阈值移动技术

4.2 评价指标

4.3 针对不平衡数据的Bagging集成算法

4.3.1 Bagging集成算法

4.3.2 采样机制

4.4 概率阈值Bagging集成算法

4.4.1 最大化平均精确率的阈值

4.4.2 最大化F1-score的阈值

4.5 实验结果及其分析

4.5.1 公共数据集

4.5.2 实验结果分析

4.6 本章小结

5 基于概率阈值Bagging算法的沙尘暴数据分类应用

5.1 沙尘暴数据简介及预处理

5.2 概率阈值Bagging算法对沙尘暴数据的分类

5.3 本章小结

6 总结与展望

6.1 总结

6.2 展望

致谢

参考文献

攻读学位期间的研究成果