声明
第1章 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.3 本文的主要工作
1.4 本文的结构安排
第2章 相关算法理论与技术基础
2.1常用的数据挖掘算法
2.1.1决策树算法
2.1.2 AdaBoost算法
2.1.3 Logistic回归
2.2 主动学习的多分类SVM算法
2.2.1主动学习算法
2.2.2 支持向量机(SVM)
2.2.3 新型主动学习多分类SVM算法
2.2.4 传统主动学习多分类SVM算法
第3章 评价指标与数据介绍
3.1 模型的评价指标
3.2 数据介绍
3.2.1 数据来源
3.2.2 数据特征的描述
3.3 本章小结
第4章 基于主动学习的SVM质量评估模型
4.1 新型主动学习多分类SVM算法
4.1.1 算法实现
4.1.2 建模结果
4.2 传统主动学习多分类SVM算法
4.2.1算法实现
4.2.2建模结果(横向比较)
4.3本章小结
第5章 基于机器学习分类算法的质量评估模型
5.1 基于Logistic回归建模
5.1.1 Logistic回归算法实现
5.1.2 建模结果
5.2 基于AdaBoost建模
5.2.1 AdaBoost算法实现
5.2.2 建模结果
5.3 模型比较(纵向比较)
5.4 本章小结
第6章 新型算法在红葡萄酒数据集上的验证试验
6.1 数据集的介绍与模型建立
6.1.1 数据集介绍
6.1.2 建模结果
6.2本章小结
第7章 总结与展望
7.1本文总结
7.2前景与展望
参考文献
附录
攻读学位期间取得的研究成果
致谢
上海师范大学;