摘要 | 第10-11页 |
ABSTRACT | 第11页 |
第一章 绪论 | 第12-19页 |
1.1 研究背景与意义 | 第12-14页 |
1.1.1 机器学习 | 第12-13页 |
1.1.2 集成学习 | 第13页 |
1.1.3 Stacking分类器 | 第13-14页 |
1.1.4 大数据 | 第14页 |
1.2 问题与挑战 | 第14-16页 |
1.2.1 获取高准确率Stacking分类器面临的挑战 | 第15-16页 |
1.2.2 大规模数据集下Stacking分类器训练面临的挑战 | 第16页 |
1.3 本文主要研究工作 | 第16-17页 |
1.3.1 基于遗传算法的Stacking分类器配置选择优化算法 | 第16-17页 |
1.3.2 基于正负效应剪枝的Stacking分类器配置选择算法 | 第17页 |
1.3.3 基于分布式数据存储的Stacking分类器训练算法 | 第17页 |
1.4 论文结构与安排 | 第17-19页 |
第二章 相关技术 | 第19-28页 |
2.1 集成学习 | 第19-22页 |
2.1.1 集成学习方法 | 第19-20页 |
2.1.2 集成选择方法 | 第20-22页 |
2.1.3 Stacking分类器的配置选择方法 | 第22页 |
2.2 通用分布式计算平台 | 第22-25页 |
2.2.1 Hadoop | 第23-24页 |
2.2.2 Spark | 第24-25页 |
2.3 机器学习算法分布式处理 | 第25-27页 |
2.3.1 模型并行 | 第26页 |
2.3.2 数据并行 | 第26-27页 |
2.4 本章小结 | 第27-28页 |
第三章 基于遗传算法的Stacking分类器配置选择优化算法 | 第28-43页 |
3.1 问题描述与建模 | 第29-31页 |
3.1.1 Stacking配置选择问题 | 第29页 |
3.1.2 遗传算法建模 | 第29-31页 |
3.2 基于子空间划分的并行遗传算法 | 第31-32页 |
3.3 基于非必要个体禁忌策略的高效遗传算法 | 第32-35页 |
3.3.1 非必要配置 | 第32-33页 |
3.3.2 禁忌策略 | 第33-35页 |
3.4 AGA-E算法 | 第35-36页 |
3.5 实验与分析 | 第36-41页 |
3.5.1 实验设置 | 第36-39页 |
3.5.2 实验流程 | 第39页 |
3.5.3 实验结果 | 第39-41页 |
3.6 本章小结 | 第41-43页 |
第四章 基于正负效应剪枝的Stacking分类器配置选择算法 | 第43-53页 |
4.1 问题描述与建模 | 第43-44页 |
4.2 正负效应评价方法 | 第44-45页 |
4.3 基于正负效应的剪枝搜索策略 | 第45-47页 |
4.4 PNEP-S算法 | 第47-48页 |
4.5 实验与分析 | 第48-52页 |
4.5.1 实验设置 | 第48-49页 |
4.5.2 实验流程 | 第49-50页 |
4.5.3 实验结果 | 第50-52页 |
4.6 本章小结 | 第52-53页 |
第五章 基于分布式数据存储的Stacking分类器训练算法 | 第53-68页 |
5.1 问题描述与建模 | 第53-56页 |
5.1.1 标准Stacking分类器训练过程 | 第54-55页 |
5.1.2 分布式的Stacking分类器训练模型 | 第55-56页 |
5.2 元分类器训练集的分布式生成方法 | 第56-61页 |
5.2.1 分类器训练和验证集汇总 | 第56-57页 |
5.2.2 权值和中间结果计算 | 第57-59页 |
5.2.3 中间结果合并 | 第59-60页 |
5.2.4 生成MTS | 第60-61页 |
5.3 基分类器的分布式训练方法 | 第61-62页 |
5.4 实验及分析 | 第62-67页 |
5.4.1 实验设置 | 第62-63页 |
5.4.2 实验流程 | 第63-64页 |
5.4.3 实验结果 | 第64-67页 |
5.5 本章小结 | 第67-68页 |
第六章 结束语 | 第68-70页 |
6.1 工作总结 | 第68-69页 |
6.2 工作展望 | 第69-70页 |
致谢 | 第70-71页 |
参考文献 | 第71-75页 |
作者在学期间取得的学术成果 | 第75页 |