声明
致谢
摘要
1 引言
1.1 研究背景与意义
1.2 置信机器学习
1.2.1 置信机器概述
1.2.2 置信机器学习系统模型
1.2.3 置信机器学习系统结构
1.3 研究现状
1.3.1 直推式置信机器
1.3.2 基于集成的置信机器
1.3.3 置信回归
1.3.4 目前的应用与研究
1.4 本论文组织结构与创新点
1.4.1 本论文组织结构
1.4.2 创新点
2 置信机器理论基础与置信度机制
2.1 置信机器理论基础
2.2 一般机器学习方法的置信机制
2.2.1 置信度机制原理及分析
2.2.2 置信度机制实现方法
2.2.3 应用分析与总结
2.3 贝叶斯学习方法的置信度机制
2.3.1 置信度机制原理
2.3.2 原理分析
2.3.3 应用分析与总结
2.4.1 直推式学习方法
2.4.2 置信度机制原理
2.4.3 应用分析与总结
2.5 带有拒绝选项学习方法的置信度机制
2.5.1 置信度机制原理
2.5.2 拒绝类别的处理
2.5.3 应用分析与总结
2.6 置信度机制比较分析
2.7 本章小结
3 基于一类分类器的二元置信分类TCCC-OCC算法
3.1 问题的提出
3.2 算法的设计与实现
3.2.1 理论基础
3.2.2 用一类分类器解决二元置信分类问题
3.2.3 用多层置信集成分类实现增强分类
3.2.4 算法实现
3.3 数据与结果
3.4 讨论
3.5 本章小结
4 基于二元分类器的可控置信分类CCC-TCC算法
4.1 问题的引入
4.2 算法的设计与实现
4.2.1 理论基础
4.2.2 算法的两种情况
4.2.3 四种情况的考虑
4.2.4 算法实现
4.3 数据与结果
4.4 讨论
4.5 本章小结
5 基于KNN的置信回归CR-KNN算法
5.1 问题的说明
5.2 算法的设计与实现
5.2.1 理论基础
5.2.2 KNN算法的实现
5.2.3 接受域与拒绝域的划分
5.2.4 误差的计算
5.2.5 算法实现
5.3 数据与结果
5.4 讨论
5.5 本章小结
6 结论
6.1 本文工作总结
6.2 进一步研究展望
参考文献
附录
作者简历及攻读博士学位期间取得的研究成果
学位论文数据集
北京交通大学;