摘要
第一章 绪论
1.1 研究背景及意义
1.2 三支决策理论及其研究现状
1.3 数据挖掘代价敏感学习国内外研究现状
1.4 论文研究内容与结构安排
1.4.1 主要研究内容
1.4.2 结构安排
第二章 三支决策、数据挖掘基础知识
2.1 决策粗糙集理论
2.1.1 Pawlak代数粗糙集模型
2.1.2 基于最小风险的Bayes决策
2.1.3 决策粗糙集模型
2.2 基于决策粗糙集的三支决策语义
2.3 数据挖掘相关理论
2.3.1 支持向量机增量学习
2.3.2 ID3决策树学习算法
2.3.3 离群点检测方法
2.4 本章小结
第三章 基于三支决策的代价敏感支持向量机增量学习方法
3.1 引言
3.2 基于支持向量机的三支决策条件概率的构建
3.2.1 SVM线性模式下的三支决策条件概率构建
3.2.2 SVM非线性可分模式下的三支决策条件概率构建
3.3 基于三支决策的支持向量机边界向量构建
3.4 基于三支决策的代价敏感支持向量机增量学习算法
3.4.1 算法
3.4.2 算法时间复杂度分析
3.5 实验分析
3.6 本章小结
第四章 基于三支决策的代价敏感离群点检测方法
4.1 引言
4.2 基于离群点检测的三支决策条件概率的构建
4.3 最优条件概率的计算
4.4 基于三支决策的代价敏感离群点检测算法
4.5 实验分析
4.6 本章小结
第五章 基于三支决策的代价敏感决策树学习方法
5.1 引言
5.2 代价敏感三支决策树的构建
5.2.1 决策树结点的三支决策条件概率构建
5.2.2 代价敏感三支决策树构建算法
5.3 代价敏感三支决策树合并剪枝算法
5.4 实验分析
5.5 本章小结
第六章 结论
6.1 工作总结
6.2 今后研究构想
参考文献
致谢
攻读学位期间的科研成果
声明