面向失衡数据的稀疏性问题的研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究的目的和意义 | 第10-11页 |
| 1.2 失衡数据的稀疏性问题的研究现状及分析 | 第11-14页 |
| 1.2.1 解决数据稀疏性研究现状 | 第11-12页 |
| 1.2.2 解决数据失衡性研究现状 | 第12-14页 |
| 1.3 本课题研究的主要内容 | 第14-16页 |
| 1.3.1 课题来源 | 第14页 |
| 1.3.2 课题的主要研究内容 | 第14-16页 |
| 第2章 数据稀疏性和失衡性问题 | 第16-24页 |
| 2.1 数据稀疏性和失衡性问题描述 | 第16-17页 |
| 2.2 数据稀疏问题的原因及解决办法 | 第17-20页 |
| 2.2.1 稀疏性问题的根源 | 第18-19页 |
| 2.2.2 稀疏数据缺失值处理方法 | 第19-20页 |
| 2.3 失衡数据分类问题及主要解决方法 | 第20-23页 |
| 2.3.1 失衡数据分类问题及困难分析 | 第20-21页 |
| 2.3.2 失衡数据分类方法介绍 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 基于稀疏数据聚类的缺失值填充方法 | 第24-44页 |
| 3.1 缺失值填充 | 第24-29页 |
| 3.1.1 数据缺失值填充与稀疏性的关系 | 第24-25页 |
| 3.1.2 基于统计学的填充方法 | 第25-26页 |
| 3.1.3 基于机器学习的填充方法 | 第26-29页 |
| 3.2 基于聚类协同过滤的填充方法 | 第29-34页 |
| 3.2.1 聚类分析技术概述 | 第29-30页 |
| 3.2.2 协同过滤算法 | 第30-31页 |
| 3.2.3 K-means CF填充算法 | 第31-34页 |
| 3.3 基于递归增量式聚类的填充方法 | 第34-37页 |
| 3.3.1 递归增量式聚类填充理论 | 第34-35页 |
| 3.3.2 ARM-FCM-CF算法 | 第35-37页 |
| 3.4 实验结果与分析 | 第37-43页 |
| 3.4.1 实验数据集 | 第37-38页 |
| 3.4.2 实验评价指标 | 第38-39页 |
| 3.4.3 实验结果 | 第39-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 失衡数据集分类方法 | 第44-56页 |
| 4.1 失衡数据集分类策略概述 | 第44-48页 |
| 4.1.1 数据分类技术概述 | 第44-45页 |
| 4.1.2 代价敏感SVM方法 | 第45-46页 |
| 4.1.3 集成学习方法 | 第46-48页 |
| 4.2 基于随机游走模型的失衡数据分类方法 | 第48-52页 |
| 4.2.1 随机游走模型概述 | 第48-49页 |
| 4.2.2 IRWM分类算法 | 第49-52页 |
| 4.3 实验与分析 | 第52-55页 |
| 4.3.1 实验数据集 | 第52页 |
| 4.3.2 实验评价指标 | 第52-53页 |
| 4.3.3 实验结果 | 第53-55页 |
| 4.4 本章小结 | 第55-56页 |
| 结论 | 第56-57页 |
| 参考文献 | 第57-62页 |
| 攻读硕士学位期间发表的学术论文 | 第62-63页 |
| 致谢 | 第63页 |
