第一章 绪论
1.1 研究背景和意义
1.2 可学习理论与方法的研究现状
1.3 核心科学问题
1.4 本文组织结构
第二章 纯一致性度量
2.1 引言
2.2 纯一致性度量的一般定义框架
2.3 随机准确度和纯准确度的定义
2.4 纯准确度对准确度的可替代性分析
2.5 本章小结
第三章 纯准确度的可学习性
3.1 引言
3.2 基本理论
3.3 分式随机变量的概率不等式
3.4 假设空间有限时的可学习性
3.5 假设空间无限时的可学习性
3.6 本章小结
第四章 纯准确度的学习能力
4.1 引言
4.2 相关工作
4.3 紧于O(1/
4.4 本章小结
第五章 基于纯准确度的贝叶斯判决方法
5.1 引言
5.2 相关工作
5.3 单峰性分析
5.4 区间搜索法
5.5 实验验证
5.6 本章小结
第六章 基于纯准确度的支持向量机方法
6.1 引言
6.2 相关工作
6.3 PASVM:优化纯准确度的SVM模型
6.4 实验验证
6.5 本章小结
第七章 基于纯准确度的选择性集成方法
7.1 引言
7.2 相关工作
7.3 基于纯准确度指标的选择性集成算法
7.4 实验验证
7.5 本章小结
第八章 基于模糊优势粗糙集的单调决策树融合方法
8.1 引言
8.2 优势粗糙集及相关工作
8.3 基于模糊优势粗糙集的集成方法
8.4 实验分析
8.5 本章小结
结论及展望
参考文献
攻读博士学位期间取得的研究成果
致谢
个人简况及联系方式
声明
山西大学;