稀疏学习及其在数据挖掘的应用
| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 选题及研究背景 | 第9-10页 |
| 1.2 本文研究内容和组织框架 | 第10-13页 |
| 第二章 相关技术介绍 | 第13-21页 |
| 2.1 稀疏学习 | 第13-16页 |
| 2.2 kNN算法 | 第16-18页 |
| 2.3 决策树 | 第18页 |
| 2.4 子空间学习 | 第18-19页 |
| 2.5 属性选择 | 第19-21页 |
| 第三章 基于稀疏学习和决策树k最近邻分类算法 | 第21-33页 |
| 3.1 引言 | 第21-23页 |
| 3.2 DTkNNC算法 | 第23-28页 |
| 3.2.1 背景知识 | 第23-24页 |
| 3.2.2 DTkNNC算法的提出 | 第24-26页 |
| 3.2.3 优化求解及收敛性讨论 | 第26-28页 |
| 3.3 实验结果和分析 | 第28-32页 |
| 3.3.1 实验数据和评价指标 | 第28页 |
| 3.3.2 实验结果分析 | 第28-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 基于子空间学习和图稀疏学习的属性选择算法 | 第33-43页 |
| 4.1 引言 | 第33-34页 |
| 4.2 算法描述 | 第34-38页 |
| 4.2.1 基于稀疏学习的辨别属性选择 | 第34-35页 |
| 4.2.2 SG_FS算法 | 第35-36页 |
| 4.2.3 优化分析求解 | 第36-38页 |
| 4.3 实验与结果分析 | 第38-42页 |
| 4.3.1 实验数据集和评价指标 | 第38-39页 |
| 4.3.2 实验结果和分析 | 第39-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第五章 总结与展望 | 第43-45页 |
| 5.1 总结 | 第43-44页 |
| 5.2 展望 | 第44-45页 |
| 参考文献 | 第45-50页 |
| 攻读硕士期间取得的科研成果 | 第50-51页 |
| 攻读硕士期间获得的奖项 | 第51页 |
| 攻读硕士期间研究项目情况 | 第51-52页 |
| 致谢 | 第52-53页 |
