| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 研究背景与意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 论文的主要工作和结构安排 | 第14-18页 |
| 第2章 基于Hadoop平台的分布式处理系统的构建 | 第18-27页 |
| 2.1 引言 | 第18页 |
| 2.2 Hadoop平台的基础构成 | 第18-20页 |
| 2.3 Hadoop框架核心 | 第20-23页 |
| 2.3.1 HDFS(Hadoop分布式文件系统) | 第20-22页 |
| 2.3.2 MapReduce并行化编程模型 | 第22-23页 |
| 2.4 基于Hadoop的分布式处理系统的构建 | 第23-26页 |
| 2.4.1 基于Hadoop平台的分布式处理系统的构建过程 | 第23-24页 |
| 2.4.2 基于Hadoop平台的分布式处理系统的测试 | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 基于贝叶斯原理的分类方法研究 | 第27-33页 |
| 3.1 引言 | 第27页 |
| 3.2 数据集预处理 | 第27-29页 |
| 3.2.1 数据离散化 | 第27-29页 |
| 3.2.2 拉普拉斯校准 | 第29页 |
| 3.3 朴素贝叶斯分类算法 | 第29-31页 |
| 3.4 基于贝叶斯算法的改进 | 第31-32页 |
| 3.5 本章小结 | 第32-33页 |
| 第4章 改进的最近邻优先吸收特征粗聚类算法 | 第33-44页 |
| 4.1 引言 | 第33页 |
| 4.2 特征聚类算法改进 | 第33-39页 |
| 4.2.1 最近邻优先吸收聚类算法(NNAF) | 第33-34页 |
| 4.2.2 基于canopy算法的改进最近邻优先聚类算法 | 第34-38页 |
| 4.2.3 改进聚类算法的MapReduce化 | 第38-39页 |
| 4.3 改进算法效果测试与对比 | 第39-43页 |
| 4.3.1 实验步骤 | 第40页 |
| 4.3.2 实验中的难点及解决方法 | 第40页 |
| 4.3.3 实验结果分析 | 第40-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第5章 基于特征筛选和特征加权的改进贝叶斯 | 第44-56页 |
| 5.1 引言 | 第44页 |
| 5.2 特征筛选 | 第44-51页 |
| 5.2.1 关联度计算 | 第44-45页 |
| 5.2.2 基于关联规则的类频繁项集挖掘方法 | 第45-49页 |
| 5.2.3 基于特征相关度判断的特征筛选 | 第49-51页 |
| 5.3 特征加权 | 第51-52页 |
| 5.4 改进效果测试 | 第52-55页 |
| 5.4.1 实验步骤 | 第52-53页 |
| 5.4.2 实验结果分析 | 第53-55页 |
| 5.5 本章小结 | 第55-56页 |
| 第6章 改进朴素贝叶斯分类算法的并行化实现及结果分析 | 第56-69页 |
| 6.1 引言 | 第56页 |
| 6.2 面向海量数据的改进贝叶斯分类算法的实现步骤 | 第56-57页 |
| 6.3 计算环节并行化 | 第57-62页 |
| 6.3.1 连续特征离散化的并行处理 | 第57-58页 |
| 6.3.2 特征粗聚类的并行化 | 第58页 |
| 6.3.3 类频繁项集挖掘并行化 | 第58-59页 |
| 6.3.4 类频繁项集的特征筛选并行化 | 第59-60页 |
| 6.3.5 特征加权的MapReduce并行化 | 第60-61页 |
| 6.3.6 贝叶斯算法的MapReduce并行化 | 第61页 |
| 6.3.7 测试算法的并行化 | 第61-62页 |
| 6.4 实验结果及分析 | 第62-68页 |
| 6.4.1 实验平台和数据集介绍 | 第62-63页 |
| 6.4.2 实验内容 | 第63-64页 |
| 6.4.3 实验结果及分析 | 第64-68页 |
| 6.5 本章小结 | 第68-69页 |
| 第7章 总结与展望 | 第69-71页 |
| 7.1 总结 | 第69-70页 |
| 7.2 展望 | 第70-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-77页 |
| 附录 | 第77页 |
