粗糙集在集成学习中的应用研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景与意义 | 第11-14页 |
| 1.1.1 论文研究背景与意义 | 第11-12页 |
| 1.1.2 国内外研究现状 | 第12-14页 |
| 1.2 论文主要研究内容 | 第14-16页 |
| 1.2.1 数据预处理框架 | 第14-15页 |
| 1.2.2 邻域粗糙集特征选择在随机森林中的应用 | 第15-16页 |
| 1.2.3 集成前置的聚类粗糙集模型 | 第16页 |
| 1.3 论文结构安排 | 第16-18页 |
| 第二章 粗糙集与集成学习研究综述 | 第18-29页 |
| 2.1 粗糙集基础知识 | 第18-20页 |
| 2.1.1 粗糙集基本概念 | 第18-19页 |
| 2.1.2 属性约简 | 第19-20页 |
| 2.2 集成学习理论基础 | 第20-22页 |
| 2.2.1 集成学习基本原理 | 第20页 |
| 2.2.2 随机森林 | 第20-22页 |
| 2.2.3 基于机器学习思想的一般流程 | 第22页 |
| 2.3 数据约简主要方法 | 第22-26页 |
| 2.3.1 搜索策略 | 第23-24页 |
| 2.3.2 评价指标 | 第24-26页 |
| 2.4 实验工具及结果评估标准 | 第26-27页 |
| 2.5 本章小结 | 第27-29页 |
| 第三章 邻域粗糙集特征选择在随机森林中的应用 | 第29-43页 |
| 3.1 现有特征选择方案比较 | 第29-30页 |
| 3.2 算法基本原理 | 第30-37页 |
| 3.2.1 球型邻域关系 | 第30-33页 |
| 3.2.2 集成特征选择 | 第33页 |
| 3.2.3 带混洗的子集选择算法 | 第33-35页 |
| 3.2.4 邻域粗糙随机森林 | 第35-37页 |
| 3.3 仿真验证及结果分析 | 第37-42页 |
| 3.3.1 泛化性验证分析 | 第37-39页 |
| 3.3.2 参数影响 | 第39-41页 |
| 3.3.3 收敛性验证分析 | 第41-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第四章 集成前置的聚类粗糙集模型 | 第43-54页 |
| 4.1 邻域粗糙随机森林存在的弊端 | 第43-44页 |
| 4.2 数据离散化优化 | 第44-47页 |
| 4.2.1 利用层次的平衡迭代约简和聚类 | 第44-46页 |
| 4.2.2 K-means++邻域划分 | 第46页 |
| 4.2.3 混合聚类的粗糙集离散化算法 | 第46-47页 |
| 4.3 集成前置的特征选择策略 | 第47-50页 |
| 4.3.1 基本原理 | 第47-49页 |
| 4.3.2 偏差-方差分析 | 第49-50页 |
| 4.4 仿真验证及结果分析 | 第50-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第五章 总结和展望 | 第54-56页 |
| 5.1 论文工作成果总结 | 第54-55页 |
| 5.2 研究展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-61页 |
| 攻读学位期间发表的学术论文目录 | 第61页 |
