| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 研究背景及意义 | 第15-17页 |
| 1.2 国内外研究现状 | 第17-21页 |
| 1.2.1 聚类分析和K-means算法 | 第17-18页 |
| 1.2.2 分类分析和随机森林算法 | 第18-20页 |
| 1.2.3 基于分布式计算平台的机器学习框架 | 第20-21页 |
| 1.3 研究目标及内容 | 第21-22页 |
| 1.3.1 研究目标 | 第21页 |
| 1.3.2 研究内容 | 第21-22页 |
| 1.4 论文结构 | 第22-23页 |
| 第二章 相关技术分析 | 第23-38页 |
| 2.1 聚类分析技术 | 第23-28页 |
| 2.1.1 聚类分析概述 | 第23-24页 |
| 2.1.2 K-means聚类算法 | 第24-25页 |
| 2.1.3 K-means算法的数据预处理 | 第25-27页 |
| 2.1.4 聚类的有效性评价指标 | 第27-28页 |
| 2.2 分类分析技术 | 第28-34页 |
| 2.2.1 分类分析概述 | 第28-29页 |
| 2.2.2 随机森林分类算法 | 第29-30页 |
| 2.2.3 随机森林算法对于特征的重要性评分 | 第30-31页 |
| 2.2.4 随机森林算法的特征选择 | 第31-34页 |
| 2.3 Spark框架 | 第34-37页 |
| 2.3.1 Spark框架概述 | 第34-36页 |
| 2.3.2 Spark框架的架构分析 | 第36-37页 |
| 2.4 本章小结 | 第37-38页 |
| 第三章 AMLF框架的需求分析与架构设计 | 第38-50页 |
| 3.1 需求分析 | 第38-43页 |
| 3.1.1 问题的提出 | 第38-41页 |
| 3.1.2 功能性需求 | 第41-42页 |
| 3.1.3 非功能性需求 | 第42-43页 |
| 3.2 架构设计 | 第43-49页 |
| 3.2.1 AMLF框架中的典型机器学习算法的改进方案 | 第43-44页 |
| 3.2.2 设计目标 | 第44-46页 |
| 3.2.3 技术架构 | 第46-49页 |
| 3.3 本章小结 | 第49-50页 |
| 第四章 关键技术的研究与实现 | 第50-87页 |
| 4.1 K-means聚类算法的优化与实现 | 第50-64页 |
| 4.1.1 问题的提出 | 第50页 |
| 4.1.2 优化方案的设计 | 第50-61页 |
| 4.1.3 优化方案的实现 | 第61-64页 |
| 4.2 随机森林分类算法的优化与实现 | 第64-76页 |
| 4.2.1 问题的提出 | 第64页 |
| 4.2.2 优化方案的设计 | 第64-73页 |
| 4.2.3 优化方案的实现 | 第73-76页 |
| 4.3 核心模块的设计与实现 | 第76-86页 |
| 4.3.1 用户访问接 | 第77-81页 |
| 4.3.2 算法优化器 | 第81页 |
| 4.3.3 信息统计器 | 第81-83页 |
| 4.3.4 MLlib | 第83-86页 |
| 4.4 本章小结 | 第86-87页 |
| 第五章 实验验证 | 第87-105页 |
| 5.1 AKM算法的实验验证 | 第87-93页 |
| 5.1.1 实验概述 | 第87-88页 |
| 5.1.2 准确性 | 第88-91页 |
| 5.1.3 可升级性 | 第91-92页 |
| 5.1.4 时间性能 | 第92-93页 |
| 5.2 ARF算法的实验验证 | 第93-97页 |
| 5.2.1 实验概述 | 第93-94页 |
| 5.2.2 准确性 | 第94-95页 |
| 5.2.3 可升级性 | 第95-96页 |
| 5.2.4 时间性能 | 第96-97页 |
| 5.3 AMLF框架的实验验证 | 第97-104页 |
| 5.3.1 实验概述 | 第97-100页 |
| 5.3.2 实验运行 | 第100-103页 |
| 5.3.3 验证结果及分析 | 第103-104页 |
| 5.4 本章小结 | 第104-105页 |
| 第六章 总结与展望 | 第105-107页 |
| 6.1 工作总结 | 第105-106页 |
| 6.2 下一步工作 | 第106-107页 |
| 参考文献 | 第107-112页 |
| 致谢 | 第112-113页 |
| 攻读硕士学位期间已发表或录用的论文 | 第113页 |