摘要 | 第5-6页 |
Abstract | 第6-7页 |
第1章 绪论 | 第14-22页 |
1.1 研究背景及意义 | 第14-15页 |
1.2 国内外研究现状 | 第15-19页 |
1.2.1 分类框架 | 第15页 |
1.2.2 数据选择 | 第15-16页 |
1.2.3 数据归一化 | 第16-17页 |
1.2.4 数据估算 | 第17页 |
1.2.5 降低纬度方法 | 第17-19页 |
1.3 论文的研究内容与目标 | 第19-20页 |
1.4 论文组织结构 | 第20-22页 |
第2章 相关工作 | 第22-28页 |
2.1 回归算法 | 第22-24页 |
2.1.1 传统统计方法 | 第22页 |
2.1.2 广义投射追求回归 | 第22页 |
2.1.3 神经网络和支持向量机 | 第22-23页 |
2.1.4 决策树 | 第23页 |
2.1.5 基于索引的方法 | 第23-24页 |
2.1.6 分段或分段回归 | 第24页 |
2.2 不平衡数据的学习 | 第24-26页 |
2.2.1 决策树 | 第24-25页 |
2.2.2 支持向量机 | 第25页 |
2.2.3 K最近邻分类算法 | 第25-26页 |
2.3 结论 | 第26-28页 |
第3章 BINER算法: 基于二进制搜索的有效回归 | 第28-36页 |
3.1 BINER算法的直觉和方法 | 第28页 |
3.2 BINER算法 | 第28-31页 |
3.2.1 成分分析 | 第30-31页 |
3.3 实验研究 | 第31-34页 |
3.3.1 性能模型 | 第31-32页 |
3.3.2 结论 | 第32-33页 |
3.3.3 讨论 | 第33-34页 |
3.4 结论 | 第34-36页 |
第4章 CLUEKR算法: 高效的基于KNN算法的回归聚类 | 第36-42页 |
4.1 CLUEKR算法 | 第36-38页 |
4.1.1 预处理 | 第36-37页 |
4.1.2 实际算法 | 第37页 |
4.1.3 复杂度分析 | 第37-38页 |
4.2 实验性研究 | 第38-39页 |
4.2.1 模型仿真运算 | 第38-39页 |
4.3 CLUEKR算法分类任务 | 第39-41页 |
4.3.1 算法 | 第39-40页 |
4.3.2 实验性研究 | 第40-41页 |
4.4 结论 | 第41-42页 |
第5章 基于类的加权K最近邻算法 | 第42-60页 |
5.1 关于加权因子设计的实验研宄 | 第42-52页 |
5.1.1 KNN分类器基于类的加权因子的设计 | 第42-44页 |
5.1.2 KNN分类器的改进设计 | 第44-45页 |
5.1.3 只考虑查询实例附近区域的设计 | 第45-47页 |
5.1.4 模拟仿真 | 第47-48页 |
5.1.5 改进KNN算法模拟实施步骤 | 第48-51页 |
5.1.6 实验性研究 | 第51-52页 |
5.1.7 结论 | 第52页 |
5.2 作者提出的算法 | 第52-55页 |
5.2.1 权重因子的性质 | 第54-55页 |
5.2.2 成分分析 | 第55页 |
5.3 实验性研究 | 第55-58页 |
5.3.1 性能模型 | 第55-58页 |
5.4 结论 | 第58-60页 |
第6章 基于类的加权KNN算法与CLUEKR算法集成 | 第60-64页 |
6.1 研究基础 | 第60页 |
6.2 整合步骤 | 第60-62页 |
6.3 实验性研究 | 第62-64页 |
第7章 结论 | 第64-66页 |
7.1 成果 | 第64-65页 |
7.2 未来的工作 | 第65-66页 |
参考文献 | 第66-70页 |
致谢 | 第70-72页 |
作者简介及读研期间主要科研成果 | 第72页 |