| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 课题背景及研究意义 | 第9-10页 |
| 1.2 国内外研究综述 | 第10-12页 |
| 1.2.1 随机森林算法优化方法 | 第10-11页 |
| 1.2.2 并行分类 | 第11-12页 |
| 1.3 本文的主要内容和结构安排 | 第12-14页 |
| 第二章 基本概念和基本理论 | 第14-27页 |
| 2.1 随机森林算法 | 第14-21页 |
| 2.1.1 基分类器—决策树 | 第14-18页 |
| 2.1.2 构建过程 | 第18-19页 |
| 2.1.3 随机性分析 | 第19-20页 |
| 2.1.4 性能指标 | 第20-21页 |
| 2.2 Hadoop简介 | 第21-25页 |
| 2.2.1 概述 | 第21-22页 |
| 2.2.2 生态系统 | 第22-23页 |
| 2.2.3 HDFS架构 | 第23-24页 |
| 2.2.4 Mapreduce架构 | 第24-25页 |
| 2.3 本章小结 | 第25-27页 |
| 第三章 关于特征选择的优化研究 | 第27-34页 |
| 3.1 特征选择问题简述 | 第27-28页 |
| 3.2 随机森林内置的特征选择算法 | 第28页 |
| 3.3 Hadoop平台下基于随机森林的特征选择算法 | 第28-31页 |
| 3.3.1 算法基本描述 | 第28-29页 |
| 3.3.2 决策树的权重度量 | 第29-30页 |
| 3.3.3 算法的MapReduce并行化实现 | 第30-31页 |
| 3.4 Hadoop平台下基于随机森林的特征选择算法实验仿真 | 第31-33页 |
| 3.4.1 实验环境 | 第31-32页 |
| 3.4.2 评估指标 | 第32页 |
| 3.4.3 实验结果 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第四章 关于数据非平衡问题的优化研究 | 第34-47页 |
| 4.1 非平衡数据问题概述 | 第34-35页 |
| 4.2 非平衡数据集分类问题的解决方法 | 第35-39页 |
| 4.2.1 通过改进算法解决非平衡问题 | 第35-36页 |
| 4.2.2 通过改造数据解决非平衡问题 | 第36-39页 |
| 4.3 随机森林处理非平衡数据分类问题的优化—M3C-SMOTE算法 | 第39-42页 |
| 4.3.1 k-means算法简介 | 第39-40页 |
| 4.3.2 M3C-SMOTE算法设计 | 第40-42页 |
| 4.4 M3C-SMOTE算法提升随机森林性能的验证分析 | 第42-46页 |
| 4.4.1 数据集 | 第42页 |
| 4.4.2 实验环境及步骤 | 第42-43页 |
| 4.4.3 实验评价指标 | 第43-44页 |
| 4.4.4 实验结果及分析 | 第44-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第五章 基于Hadoop平台的文本并行分类 | 第47-66页 |
| 5.1 文本分类概述 | 第47-52页 |
| 5.1.1 文本预处理 | 第48页 |
| 5.1.2 文本特征选择 | 第48-50页 |
| 5.1.3 文本向量化 | 第50-51页 |
| 5.1.4 常用的机器学习算法 | 第51-52页 |
| 5.2 基于Hadoop平台的分布式文本分类 | 第52-62页 |
| 5.2.1 并行文本分类中的问题分析 | 第52-53页 |
| 5.2.2 文本预处理并行化 | 第53-55页 |
| 5.2.3 文本特征选择并行化 | 第55-58页 |
| 5.2.4 文本向量化并行化 | 第58-61页 |
| 5.2.5 使用随机森林算法实现文本并行训练和分类 | 第61-62页 |
| 5.3 分布式文本分类实验及分析 | 第62-65页 |
| 5.3.1 实验环境 | 第62-63页 |
| 5.3.2 实验结果及分析 | 第63-65页 |
| 5.4 本章小结 | 第65-66页 |
| 总结与展望 | 第66-68页 |
| 参考文献 | 第68-71页 |
| 附录 攻读硕士学位期间撰写的论文 | 第71-72页 |
| 致谢 | 第72页 |
