基于枢纽现象的离群数据挖掘及其并行化
中文摘要 | 第3-4页 |
abstract | 第4页 |
第一章 绪论 | 第7-15页 |
1.1 数据挖掘 | 第7-9页 |
1.1.1 概述 | 第7页 |
1.1.2 数据挖掘过程 | 第7-8页 |
1.1.3 数据挖掘研究内容 | 第8-9页 |
1.2 离群数据 | 第9-13页 |
1.2.1 概述 | 第9-10页 |
1.2.2 K近邻与离群数据 | 第10-11页 |
1.2.3 逆K近邻与离群数据 | 第11-12页 |
1.2.4 离群数据并行挖掘 | 第12-13页 |
1.3 研究目标和论文组织 | 第13-15页 |
1.3.1 研究内容 | 第13页 |
1.3.2 论文组织 | 第13-15页 |
第二章 逆K近邻查询与并行计算框架 | 第15-23页 |
2.1 逆K近邻查询与枢纽现象 | 第15-20页 |
2.1.1 逆K近邻查询 | 第15-18页 |
2.1.2 枢纽现象 | 第18-20页 |
2.2 Spark分布式计算框架 | 第20-22页 |
2.3 小结 | 第22-23页 |
第三章 基于枢纽现象的离群数据挖掘算法 | 第23-33页 |
3.1 引言 | 第23页 |
3.2 距离信息加权与区分度满意值 | 第23-25页 |
3.2.1 距离信息加权 | 第23-24页 |
3.2.2 离群区分度满意值 | 第24-25页 |
3.3 算法描述 | 第25-27页 |
3.4 实验分析 | 第27-31页 |
3.4.1 人工数据集 | 第27-30页 |
3.4.2 UCI数据集 | 第30-31页 |
3.5 小结 | 第31-33页 |
第四章 基于枢纽现象的离群数据并行挖掘算法 | 第33-43页 |
4.1 引言 | 第33页 |
4.2 WAntiHub算法的并行化分析 | 第33-35页 |
4.3 算法描述 | 第35-37页 |
4.4 实验分析 | 第37-41页 |
4.4.1 数据量对算法效率的影响 | 第38页 |
4.4.2 近邻数K对算法效率的影响 | 第38-39页 |
4.4.3 属性维度对算法效率的影响 | 第39-40页 |
4.4.4 采样比例对算法效率的影响 | 第40-41页 |
4.4.5 节点数对算法效率的影响 | 第41页 |
4.5 小结 | 第41-43页 |
第五章 总结与展望 | 第43-45页 |
5.1 总结 | 第43页 |
5.2 展望 | 第43-45页 |
参考文献 | 第45-51页 |
致谢 | 第51-53页 |
攻读学位期间发表的学术论文目录 | 第53页 |