| 摘要 | 第4-6页 |
| abstract | 第6-8页 |
| 第一章 绪论 | 第16-22页 |
| 1.1 研究背景和意义 | 第16-19页 |
| 1.1.1 高维数据及其特点 | 第16-17页 |
| 1.1.2 高维数据分析面临的问题 | 第17-19页 |
| 1.2 本文的主要研究内容及特色 | 第19-20页 |
| 1.3 论文的组织结构 | 第20-22页 |
| 第二章 集成学习与子空间学习相关技术 | 第22-34页 |
| 2.1 集成学习的一般方法 | 第22-26页 |
| 2.1.1 集成学习的机制 | 第23-24页 |
| 2.1.2 集成算法的组成 | 第24-26页 |
| 2.2 高维数据集成分类 | 第26-27页 |
| 2.3 聚类集成 | 第27-30页 |
| 2.4 子空间聚类 | 第30-31页 |
| 2.5 非平衡数据学习 | 第31-34页 |
| 第三章 分布式属性加权子空间抽样随机森林算法研究 | 第34-52页 |
| 3.1 随机森林 | 第34-38页 |
| 3.1.1 决策树算法 | 第34-36页 |
| 3.1.2 随机森林算法 | 第36-38页 |
| 3.2 属性加权子空间抽样随机森林 | 第38-39页 |
| 3.3 基于R的分布式属性加权子空间抽样随机森林算法wsrf及实现 | 第39-42页 |
| 3.4 实验对比及结果分析 | 第42-51页 |
| 3.4.1 数据集 | 第42页 |
| 3.4.2 实验设置 | 第42-44页 |
| 3.4.3 实验结果 | 第44-51页 |
| 3.5 小结 | 第51-52页 |
| 第四章 基于双向聚类的属性子空间分层抽样随机森林算法 | 第52-66页 |
| 4.1 基于置换的属性重要度 | 第52-53页 |
| 4.2 基于重要度的属性分组 | 第53-54页 |
| 4.3 双向子空间聚类 | 第54-57页 |
| 4.4 双向聚类属性子空间分层抽样随机森林算法 | 第57页 |
| 4.5 实验对比及结果分析 | 第57-63页 |
| 4.5.1 数据集 | 第57-59页 |
| 4.5.2 实验设置 | 第59页 |
| 4.5.3 实验结果 | 第59-63页 |
| 4.6 小结 | 第63-66页 |
| 第五章 双层表达的组变量加权子空间文本聚类集成学习方法 | 第66-88页 |
| 5.1 文本的表示 | 第67-68页 |
| 5.2 多视图软子空间聚类 | 第68-69页 |
| 5.3 LDA主题模型 | 第69-70页 |
| 5.4 平衡双层软子空间聚类 | 第70-75页 |
| 5.5 基于欧式距离的模糊聚类集成 | 第75-78页 |
| 5.6 双层表达的组变量加权子空间聚类集成算法 | 第78页 |
| 5.7 实验对比及结果分析 | 第78-83页 |
| 5.7.1 数据集 | 第79-81页 |
| 5.7.2 实验设置 | 第81页 |
| 5.7.3 评估指标 | 第81-82页 |
| 5.7.4 实验结果 | 第82-83页 |
| 5.8 小结 | 第83-88页 |
| 第六章 面向非平衡数据聚类分层抽样集成学习方法 | 第88-96页 |
| 6.1 问题的提出 | 第88-89页 |
| 6.2 聚类分层抽样集成学习方法 | 第89-92页 |
| 6.3 实验对比与结果分析 | 第92-94页 |
| 6.3.1 实验设置与数据集 | 第92-93页 |
| 6.3.2 实验结果 | 第93-94页 |
| 6.4 小结 | 第94-96页 |
| 总结与展望 | 第96-98页 |
| 参考文献 | 第98-112页 |
| 致谢 | 第112-114页 |
| 作者简介 | 第114-115页 |
