摘要:不平衡数据集中，由于少类样本和多类样本的不平衡，在分类过程中容易产生难以分类和错误分类的现象。而本文主要针对不平衡数据集的分类特点，设计出一种组合分类器，适用于不平衡数据集的分类。

本文确定采用decision stump（单层决策树）作为基本分类器，先对数据集进行预先采样处理，减缓不平衡度，单独的基本分类器效果有限，但是通过adaboost算法可以有效提高分类效果，并且体现出adaboost算法的优点。

由于算法中通过改变正类样本的权值，从而重视对少类样本的分类，所以在一定程度上能够提高整体的分类效果，实现不平衡数据集的分类设计。

    关键词：不平衡数据集；adaboost算法；decision stump；基本分类器

目录

摘要

Abstract

第一章 绪论-3

1.1  课题研究背景和意义-3

1.2  研究现状-3

1.3研究内容和意义-5

第二章 不平衡数据集-7

2.1 不平衡数据集概述-7

2.2 不平衡数据集分类难点-7

2.2.1样本缺失-7

2.2.2不恰当的评价标准-7

2.2.3数据噪声-8

2.3不平衡数据集分类算法的性能指标-8

2.4本章小结-9

第三章 数据采样-10

3.1过采样技术-10

3.2欠采样技术-10

3.3 SMOTE算法采样-10

3.4 本章小结-11

第四章 基本分类器-12

4.1模式分类概念-12

4.2模式分类流程-12

4.3 decision stump（单层决策树）-13

4.4本章小结-13

第五章 分类器组合算法（Adaboost算法）-15

5.1 Adaboost算法概述-15

5.2 Adaboost算法流程介绍-15

5.2.1 AdaBoost算法描述-15

5.2.2 AdaBoost算法流程-15

5.4算法流程图-17

5.5 adaboost算法优点-19

5.6 整体设计框架图-19

第六章  基于Adaboost算法的实验结果分析-21

6.1实验数据-21

6.2实验数据结果-21

6.3分类结果变化图-22

6.3.1 demo数据集分类结果-22

6.3.2 heart数据集分类结果-23

6.3.3 usps数据集分类结果-23

6.4 实验结果分析-24

第七章 总结与展望-25

致谢-26

参考文献-27