随机森林算法的改进及其在慢性病预警模型中的应用研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 研究内容 | 第12页 |
| 1.4 论文组织结构 | 第12-15页 |
| 第2章 相关技术概述 | 第15-25页 |
| 2.1 相关分类算法 | 第15-19页 |
| 2.1.1 经典极限学习机算法 | 第15-17页 |
| 2.1.2 核极限学习机 | 第17-19页 |
| 2.2 粒子群优化算法 | 第19-20页 |
| 2.3 随机森林算法 | 第20-21页 |
| 2.3.1 Bootstrap法重采样 | 第20-21页 |
| 2.3.2 随机森林算法流程 | 第21页 |
| 2.4 Hadoop平台介绍 | 第21-24页 |
| 2.4.1 HDFS介绍 | 第22-23页 |
| 2.4.2 Map-Reduce介绍 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 基于优化核极限学习机的随机森林分类算法 | 第25-35页 |
| 3.1 问题分析 | 第25页 |
| 3.2 改进的随机森林分类算法 | 第25-32页 |
| 3.2.1 核函数的选取 | 第26-27页 |
| 3.2.2 初始化基于核极限学习机的随机森林模型 | 第27-28页 |
| 3.2.3 优化初始随机森林模型 | 第28-32页 |
| 3.3 并行化随机森林模型 | 第32-34页 |
| 3.3.1 并行化思路 | 第33页 |
| 3.3.2 并行化详细过程 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第4章 改进随机森林算法在乳腺癌诊断中的应用 | 第35-49页 |
| 4.1 数据预处理 | 第35-37页 |
| 4.1.1 数据特征描述 | 第35-36页 |
| 4.1.2 数据归一化处理 | 第36-37页 |
| 4.2 对比实验设置 | 第37-38页 |
| 4.3 实验参数设置 | 第38-39页 |
| 4.4 实验结果分析 | 第39-46页 |
| 4.5 模型性能评估 | 第46-47页 |
| 4.6 本章小结 | 第47-49页 |
| 第5章 基于大数据平台的慢性病预警原型系统的实现 | 第49-63页 |
| 5.1 系统架构 | 第49-50页 |
| 5.2 数据采集与处理 | 第50-53页 |
| 5.3 模型构建及并行化 | 第53-62页 |
| 5.3.1 个体预警与群体预警 | 第53-54页 |
| 5.3.2 随机森林算法 | 第54-56页 |
| 5.3.3 K-Means算法 | 第56-60页 |
| 5.3.4 Apriori算法 | 第60-62页 |
| 5.4 本章小节 | 第62-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 攻读硕士学位期间发表的学术论文 | 第69-71页 |
| 致谢 | 第71页 |
