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
兰州交通大学;