| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 1 绪论 | 第10-14页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 论文研究内容 | 第13页 |
| 1.4 论文结构安排 | 第13-14页 |
| 2 相关工作 | 第14-28页 |
| 2.1 特征选择概述 | 第14-16页 |
| 2.1.1 特征选择的基本概念 | 第14-16页 |
| 2.2 特征选择的分类框架 | 第16-18页 |
| 2.2.1 基于搜索策略的分类 | 第16-17页 |
| 2.2.2 基于评价准则的分类 | 第17-18页 |
| 2.3 特征选择的稳定性 | 第18-22页 |
| 2.3.1 稳定性的基本概念 | 第18-19页 |
| 2.3.2 稳定性的度量方法 | 第19-22页 |
| 2.4 提高特征选择稳定性的方法 | 第22-24页 |
| 2.4.1 样本注入方法 | 第23页 |
| 2.4.2 集成学习方法 | 第23-24页 |
| 2.4.3 组特征选择方法 | 第24页 |
| 2.5 流式特征选择 | 第24-25页 |
| 2.6 Spark分布式计算框架 | 第25-28页 |
| 3 基于Spark的稳定特征选择算法 | 第28-38页 |
| 3.1 IW-Relief算法 | 第28-30页 |
| 3.2 基于Spark的IW-Relief并行化算法设计 | 第30-33页 |
| 3.2.1 设计思想 | 第30-32页 |
| 3.2.2 算法实现 | 第32-33页 |
| 3.3 FREL算法 | 第33-36页 |
| 3.4 基于Spark的集成FREL算法 | 第36-38页 |
| 3.4.1 设计思想 | 第36页 |
| 3.4.2 算法实现 | 第36-38页 |
| 4 基于Spark Streaming的流式特征选择算法 | 第38-42页 |
| 4.1 流式特征选择算法SAOLA | 第38-39页 |
| 4.2 基于Spark Streaming的SAOLA算法 | 第39-42页 |
| 4.2.1 设计思想 | 第39页 |
| 4.2.2 算法实现 | 第39-42页 |
| 5 实验结果及分析 | 第42-58页 |
| 5.1 实验环境 | 第42-43页 |
| 5.1.1 软硬件环境 | 第42页 |
| 5.1.2 数据集 | 第42-43页 |
| 5.2 算法实验设计 | 第43-45页 |
| 5.2.1 性能度量 | 第43页 |
| 5.2.2 影响Spark运行时间参数 | 第43-44页 |
| 5.2.3 影响Spark Streaming运行时间的参数 | 第44-45页 |
| 5.3 算法稳定性的度量 | 第45-47页 |
| 5.4 基于Spark的IW-Relief算法和FREL算法实验结果 | 第47-55页 |
| 5.5 基于Spark Streaming的SAOLA算法的实验结果 | 第55-58页 |
| 6 总结与展望 | 第58-60页 |
| 6.1 论文总结 | 第58页 |
| 6.2 展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-65页 |
