属性子集选择算法及其推荐方法研究
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 1 绪论 | 第13-19页 |
| 1.1 研究背景和意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 属性选择算法 | 第14-16页 |
| 1.2.2 属性选择算法推荐 | 第16-17页 |
| 1.3 研究内容及创新点 | 第17-18页 |
| 1.4 论文组织结构 | 第18-19页 |
| 2 基于关联规则挖掘的属性选择算法 | 第19-44页 |
| 2.1 引言 | 第19-20页 |
| 2.2 属性选择算法FEAST | 第20-26页 |
| 2.2.1 定义 | 第20-23页 |
| 2.2.2 算法FEAST | 第23-26页 |
| 2.3 支持度和置信度阈值预测方法 | 第26-30页 |
| 2.3.1 预测方法概述 | 第26-27页 |
| 2.3.2 数据集特征提取 | 第27-28页 |
| 2.3.3 合适阈值识别 | 第28-29页 |
| 2.3.4 预测模型构建 | 第29-30页 |
| 2.4 实验结果与分析 | 第30-42页 |
| 2.4.1 实验数据 | 第30页 |
| 2.4.2 属性选择实验结果 | 第30-40页 |
| 2.4.3 阈值预测结果 | 第40-42页 |
| 2.5 本章小结 | 第42-44页 |
| 3 基于FOIL规则的属性选择算法 | 第44-66页 |
| 3.1 引言 | 第44-45页 |
| 3.2 FOIL规则挖掘 | 第45-47页 |
| 3.2.1 分类规则 | 第45页 |
| 3.2.2 基于FOIL算法的分类规则挖掘 | 第45-47页 |
| 3.3 属性选择算法FRFS | 第47-54页 |
| 3.3.1 定义 | 第47-48页 |
| 3.3.2 算法FRFS | 第48-54页 |
| 3.4 实验结果与分析 | 第54-65页 |
| 3.4.1 数据集 | 第55页 |
| 3.4.2 实验设置 | 第55-56页 |
| 3.4.3 人工数据实验结果与分析 | 第56-57页 |
| 3.4.4 实际数据实验结果与分析 | 第57-65页 |
| 3.5 本章小结 | 第65-66页 |
| 4 属性选择算法推荐 | 第66-93页 |
| 4.1 引言 | 第66-67页 |
| 4.2 数据集特征和属性算法性能评价指标 | 第67-70页 |
| 4.2.1 数据特征 | 第67页 |
| 4.2.2 性能评价指标 | 第67-70页 |
| 4.3 推荐方法 | 第70-73页 |
| 4.3.1 方法框架 | 第70-72页 |
| 4.3.2 推荐过程 | 第72-73页 |
| 4.4 实验结果与分析 | 第73-92页 |
| 4.4.1 实验数据 | 第73-75页 |
| 4.4.2 实验设置 | 第75-79页 |
| 4.4.3 实验过程 | 第79-81页 |
| 4.4.4 结果与分析 | 第81-90页 |
| 4.4.5 最近邻数据集数量对推荐结果的影响 | 第90-92页 |
| 4.5 本章小结 | 第92-93页 |
| 5 基于多标签学习的属性选择算法推荐 | 第93-113页 |
| 5.1 引言 | 第93-94页 |
| 5.2 算法推荐统一框架 | 第94-98页 |
| 5.2.1 统一框架 | 第94-95页 |
| 5.2.2 数据特征 | 第95-96页 |
| 5.2.3 元学习目标 | 第96-98页 |
| 5.2.4 算法推荐方法分类 | 第98页 |
| 5.3 基于多标签学习的算法推荐 | 第98-104页 |
| 5.3.1 方法概述 | 第99页 |
| 5.3.2 多比较过程 | 第99-102页 |
| 5.3.3 推荐方法构建 | 第102页 |
| 5.3.4 推荐性能评价指标 | 第102-104页 |
| 5.4 实验结果与分析 | 第104-112页 |
| 5.4.1 实验设置 | 第104-106页 |
| 5.4.2 结果与分析 | 第106-112页 |
| 5.5 本章小结 | 第112-113页 |
| 6 结论和展望 | 第113-117页 |
| 6.1 结论 | 第113-115页 |
| 6.2 展望 | 第115-117页 |
| 参考文献 | 第117-125页 |
| 致谢 | 第125-126页 |
| 攻读学位期间取得的研究成果 | 第126-128页 |
