基于马田系统的两类别分类问题研究

摘要

分类是数据挖掘中的一项重要工作内容。在常用的分类方法中，马田系统因基于数据进行分析而不需要对数据的分布进行假设，并且能够有效进行特征变量的筛选，真正意义上达到降维的目的，而在许多领域得到应用。本文主要对马田系统中两类别分类问题进行研究。主要的工作有以下的两点:
　　 (1)基于粒子群算法的马田系统两类别分类方法研究
　　 传统的马田系统在进行特征变量的筛选时，是使用正交表和信噪比方法来实现的，但一些学者研究的表明:在进行特征变量选择时，使用正交表和信噪比并不一定是最佳的方式。本文研究基于粒子群算法的马田系统分类方法（基于平衡数据），构建优化模型，将粒子群算法与马田系统方法进行结合，用粒子群优化算法对特征变量进行选择，使其更好的用于平衡数据的分类问题中。
　　 (2)基于集成思想的马田系统不平衡数据分类研究
　　 在现实生活中，不平衡数据分类问题普遍存在，不平衡问题是指分类类别样本量有显著的差异，而同时少数样本类往往是人们所关注的。传统马田系统在对不平衡问题进行分类时，分类的正确率会受多数类样本的影响，而使得结果倾向于多数样本类，导致忽视了少数样本类正确率的重要性。本文针对传统的马田系统方法未考虑数据不平衡因素的影响，提出将优化思想、集成的思想与马田系统相结合，以提高不平衡数据分类效果为目标，构建优化模型，用以对马田系统进行改进，使其更好的用于不平衡数据分类问题。

目录

声明

摘要

1 绪论

1．1 研究背景及意义

1．2 分类问题及MTS研究综述

1．2．1 分类研究概述

1．2．2 MTS理论研究概述

1．2．3 MTS应用研究综述

1．3 本文的主要工作及难点

1．3．1 本文的主要工作

1．3．2 本文的重点及难点

1．4 本文研究方法和技术路线

1．5 本文的内容结构

2 相关理论及方法的概述

2．1 分类问题及分类方法

2．1．1 分类问题的描述

2．1．2 常用分类方法概述

2．2 MTS

2．2．1 马氏距离

2．2．2 正交表与信噪比

2．2．3 决策阈值

2．3 MTS的基本步骤及特点

2．3．1 MTS的基本步骤

2．3．2 MTS的特点

2．4 本章小结

3 基于粒子群优化算法的MTS两类别分类研究

3．1 基于PSO的MTS两类别分类方法实施步骤

3．1．1 传统MTS分类方法的实施过程

3．1．2 基于PSO的MTS两类别分类方法实施步骤

3．2 优化模型构建

3．3 基于PSO的MTS特征变量选择与分类

3．4 实验分析

3．5 案例研究

3．5．1 背景描述

3．5．2 具体过程

3．6 本章小结

4 基于马田系统的不平衡数据分类研究

4．1 优化目标及模型

4．1．1 优化目标

4．1．2 优化模型

4．2 基于集成马田系统的特征选择与分类方法

4．2．1 Bagging算法

4．2．2 集成特征子集算法实施流程

4．3 实验分析

4．3．1 常规方法比较

4．3．2 与改进的支持向量机比较

4．4 案例研究

4．4．1 背景描述

4．4．2 实施

4．4．3 效益分析

4．5 本章小结

5 结论与展望

5．1 总结

5．2 研究与展望

致谢

参考文献

附录