摘要 | 第4-5页 |
Abstract | 第5-6页 |
第一章 绪论 | 第9-15页 |
1.1 课题研究背景与意义 | 第9-11页 |
1.2 国内外研究现状 | 第11-12页 |
1.3 研究内容与技术难点 | 第12-13页 |
1.4 论文内容安排 | 第13-15页 |
第二章 相关背景知识 | 第15-24页 |
2.1 特征选择 | 第15-18页 |
2.1.1 过滤式特征选择算法 | 第16-17页 |
2.1.2 包裹式特征选择算法 | 第17-18页 |
2.1.3 嵌入式特征选择算法 | 第18页 |
2.2 特征选择算法的比较 | 第18-19页 |
2.3 集成学习算法 | 第19-22页 |
2.3.1 Bagging算法 | 第20-21页 |
2.3.2 Boosting算法 | 第21-22页 |
2.4 Bagging与Boosting的比较 | 第22页 |
2.5 其他学习算法 | 第22-23页 |
2.6 本章小结 | 第23-24页 |
第三章 基于F-Score与互信息的Relief特征选择算法 | 第24-36页 |
3.1 Relief特征选择算法 | 第24-26页 |
3.2 线性判别分析与Fisher Score | 第26-29页 |
3.3 互信息 | 第29页 |
3.4 基于F-Score与互信息的Relief特征选择算法 | 第29-31页 |
3.5 实验结果及分析 | 第31-34页 |
3.5.1 实验数据描述 | 第31-32页 |
3.5.2 实验结果分析 | 第32-34页 |
3.6 本章小结 | 第34-36页 |
第四章 基于权重限制与F_1值的AdaBoost算法 | 第36-50页 |
4.1 AdaBoost算法 | 第36-38页 |
4.2 前向分步模型与AdaBoost | 第38-40页 |
4.3 基于权重限制与F_1值的AdaBoost算法 | 第40-43页 |
4.3.1 基于权重限制的AdaBoost权重更新改进 | 第40-41页 |
4.3.2 基于F_1值与分类错误率的AdaBoost损失函数改进 | 第41-42页 |
4.3.3 基于权重限制与F_1值的AdaBoost算法 | 第42-43页 |
4.4 实验结果及分析 | 第43-48页 |
4.4.1 不同基础分类器数量比较 | 第44-47页 |
4.4.2 不同基础分类器类型比较 | 第47页 |
4.4.3 与其他分类算法比较 | 第47-48页 |
4.5 本章小结 | 第48-50页 |
第五章 IPTV用户报障预测算法 | 第50-61页 |
5.1 IPTV系统介绍 | 第50-52页 |
5.2 IPTV数据分析 | 第52-54页 |
5.2.1 数据字段 | 第52-53页 |
5.2.2 用户报障数据分析 | 第53-54页 |
5.3 预测算法实验 | 第54-56页 |
5.4 算法结果分析 | 第56-60页 |
5.4.1 特征分类结果 | 第56页 |
5.4.2 不同基础分类器数量比较 | 第56-59页 |
5.4.3 不同基础分类器类型比较 | 第59页 |
5.4.4 与其他分类器比较 | 第59-60页 |
5.5 本章小结 | 第60-61页 |
第六章 总结与展望 | 第61-63页 |
6.1 本文工作总结 | 第61-62页 |
6.2 展望 | 第62-63页 |
参考文献 | 第63-66页 |
附录1 攻读硕士学位期间撰写的论文 | 第66-67页 |
附录2 攻读硕士学位期间参加的科研项目 | 第67-68页 |
致谢 | 第68页 |