首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机软件论文--程序设计、软件工程论文--程序设计论文

基于Spark的在线欺诈检测算法设计与实现

摘要第3-4页
Abstract第4-5页
第1章 绪论第10-15页
    1.1 研究背景及意义第10-11页
    1.2 国内外研究现状第11-13页
    1.3 研究内容和目标第13-14页
    1.4 论文结构第14-15页
第2章 相关技术介绍第15-33页
    2.1 实时流计算框架介绍第15-21页
        2.1.1 Spark分布式计算框架第15-19页
        2.1.2 Spark Streaming实时流计算框架第19-21页
    2.2 在线欺诈检测综述第21-31页
        2.2.1 在线欺诈检测介绍第21-22页
        2.2.2 基于采样技术的方法第22-25页
        2.2.3 代价敏感学习方法第25-28页
        2.2.4 集成学习方法第28-29页
        2.2.5 在线欺诈检测评价指标第29-31页
    2.3 本章小结第31-33页
第3章 数据集自平衡增量构建算法第33-43页
    3.1 研究意义第33页
    3.2 不平衡数据集的内在特性第33-36页
        3.2.1 类内不平衡与类间不平衡第33-34页
        3.2.2 不相交小类(Small Disjoints)第34-35页
        3.2.3 样本重叠(Overlapping)第35-36页
    3.3 基于聚类的数据集自平衡增量构建算法第36-42页
        3.3.1 算法过程第36-39页
        3.3.2 算法分析第39页
        3.3.3 基于Spark的实现第39-42页
    3.4 本章小结第42-43页
第4章 分布式资损敏感Lasso算法第43-50页
    4.1 研究意义第43页
    4.2 资损代价矩阵第43-44页
    4.3 资损敏感Lasso算法第44-45页
    4.4 分布式资损敏感Lasso算法的求解思路第45-47页
    4.5 分布式资损敏感Lasso算法分析第47-48页
    4.6 基于Spark的实现第48-49页
    4.7 本章小结第49-50页
第5章 实验与评测第50-57页
    5.1 实验环境第50-51页
    5.2 实验设计第51-52页
    5.3 测评结果第52-56页
    5.4 本章小结第56-57页
第6章 总结与展望第57-59页
    6.1 总结第57-58页
    6.2 进一步工作第58-59页
参考文献第59-62页
致谢第62-63页

论文共63页,点击 下载论文
上一篇:基于深度学习的属性抽取技术研究
下一篇:京剧脸谱的人格化研究