| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第12-17页 |
| 1.1 论文的研究背景与意义 | 第12-13页 |
| 1.2 国内外研究现状及分析 | 第13-14页 |
| 1.3 论文的主要工作 | 第14-15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 2 决策树算法及其改进策略 | 第17-31页 |
| 2.1 决策树算法简介 | 第17-18页 |
| 2.2 决策树生成算法 | 第18-25页 |
| 2.2.1 CLS算法 | 第18-21页 |
| 2.2.2 ID3算法 | 第21-23页 |
| 2.2.3 C4.5 算法 | 第23-24页 |
| 2.2.4 CART算法 | 第24页 |
| 2.2.5 决策树生成算法的比较与选择 | 第24-25页 |
| 2.3 决策树剪枝算法 | 第25-28页 |
| 2.3.1 预剪枝算法 | 第26-27页 |
| 2.3.2 后剪枝算法 | 第27-28页 |
| 2.3.3 决策树剪枝算法的比较与选择 | 第28页 |
| 2.4 决策树的优缺点及其改进方案 | 第28-29页 |
| 2.5 本章小结 | 第29-31页 |
| 3 随机森林算法 | 第31-42页 |
| 3.1 Bagging算法 | 第31-34页 |
| 3.1.1 Bagging算法流程 | 第32-33页 |
| 3.1.2 Bagging算法特点 | 第33页 |
| 3.1.3 out-of-bag样本 | 第33-34页 |
| 3.2 随机子空间算法 | 第34-36页 |
| 3.2.1 随机子空间算法流程 | 第34-35页 |
| 3.2.2 随机子空间算法分析对比 | 第35-36页 |
| 3.2.3 随机子空间算法的参数分析 | 第36页 |
| 3.3 随机森林算法 | 第36-39页 |
| 3.3.1 随机森林算法流程 | 第36-38页 |
| 3.3.2 随机森林算法中的投票策略 | 第38页 |
| 3.3.3 随机森林算法的优缺点及其改进 | 第38-39页 |
| 3.4 非平衡数据及其处理 | 第39-40页 |
| 3.4.1 非平衡数据简介 | 第39页 |
| 3.4.2 非平衡数据问题的解决方案 | 第39-40页 |
| 3.5 本章小结 | 第40-42页 |
| 4 基于粒子群优化的加权随机森林算法 | 第42-49页 |
| 4.1 加权随机森林模型 | 第42-44页 |
| 4.1.1 传统随机森林算法的弊端 | 第42-43页 |
| 4.1.2 随机森林模型的改进方案及精确度加权投票策略 | 第43-44页 |
| 4.1.3 AWRF权重选取方式的优点 | 第44页 |
| 4.2 粒子群优化的加权随机森林模型 | 第44-47页 |
| 4.2.1 粒子群优化算法 | 第44-45页 |
| 4.2.2 加权随机森林模型粒子群优化算法 | 第45-46页 |
| 4.2.3 加权随机森林模型粒子群优化算法的基本流程 | 第46-47页 |
| 4.3 UCI数据库 | 第47页 |
| 4.4 本章小结 | 第47-49页 |
| 5 粒子群优化的加权随机森林算法实验及仿真研究 | 第49-66页 |
| 5.1 实验预先准备 | 第49页 |
| 5.2 实验环境 | 第49-50页 |
| 5.2.1 实验硬件配置 | 第49-50页 |
| 5.2.2 实验运行环境 | 第50页 |
| 5.2.3 实验数据 | 第50页 |
| 5.3 实验仿真研究综述 | 第50-51页 |
| 5.4 AWRF算法实验仿真研究 | 第51-61页 |
| 5.4.1 决策树棵数L对AWRF算法的影响 | 第51-54页 |
| 5.4.2 剪枝阈值 ε 对AWRF算法的影响 | 第54-58页 |
| 5.4.3 预测试样本率X对AWRF算法的影响 | 第58-61页 |
| 5.5 RF与AWRF及其它算法的实验仿真比较 | 第61-65页 |
| 5.6 本章小结 | 第65-66页 |
| 6 总结与展望 | 第66-68页 |
| 6.1 全文总结 | 第66-67页 |
| 6.2 未来工作展望 | 第67-68页 |
| 参考文献 | 第68-71页 |
| 致谢 | 第71-72页 |
| 个人简历、在校期间发表的学术论文与研究成果 | 第72页 |