数据流在线分类算法的研究与实现
| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1章 绪论 | 第11-19页 |
| ·数据流挖掘 | 第11-14页 |
| ·数据流的特点 | 第11-12页 |
| ·数据流处理模型的特点 | 第12页 |
| ·数据流挖掘的意义 | 第12-13页 |
| ·数据流上的应用 | 第13-14页 |
| ·概念漂移 | 第14-16页 |
| ·问题提出 | 第16-18页 |
| ·本文的研究内容 | 第18页 |
| ·本文的组织结构 | 第18-19页 |
| 第2章 相关理论与技术 | 第19-29页 |
| ·数据流处理技术 | 第19-20页 |
| ·数据流挖掘方法 | 第20-22页 |
| ·频繁模式挖掘 | 第20页 |
| ·数据流聚类 | 第20-21页 |
| ·数据流分类 | 第21-22页 |
| ·数据流管理系统 | 第22-24页 |
| ·数据流分类的研究现状 | 第24-27页 |
| ·增量学习方法 | 第24-25页 |
| ·系综学习方法 | 第25页 |
| ·其他分类方法 | 第25-26页 |
| ·存在的问题 | 第26-27页 |
| ·本章小结 | 第27-29页 |
| 第3章 基于聚类的数据流在线分类算法 | 第29-53页 |
| ·问题的提出 | 第29-31页 |
| ·当前算法存在的问题 | 第29-30页 |
| ·前提知识 | 第30-31页 |
| ·CBC算法概述 | 第31-32页 |
| ·离线过程 | 第32-35页 |
| ·数据预处理 | 第32-33页 |
| ·训练数据聚类 | 第33-34页 |
| ·子分类器训练 | 第34页 |
| ·离线过程算法 | 第34-35页 |
| ·在线过程 | 第35-38页 |
| ·在线预测 | 第35-36页 |
| ·分类器更新 | 第36-37页 |
| ·训练新的分类器 | 第37-38页 |
| ·概念漂移的检测 | 第38-39页 |
| ·误差变化率 | 第38-39页 |
| ·误分类速率 | 第39页 |
| ·基于聚类的动态数据流在线分类算法 | 第39-41页 |
| ·算法性能分析 | 第41页 |
| ·实验分析 | 第41-51页 |
| ·数据集 | 第41-43页 |
| ·参数说明 | 第43-44页 |
| ·基于距离聚类的有效性 | 第44页 |
| ·分类器更新与剪枝对算法性能的影响 | 第44-45页 |
| ·滑动窗口大小对算法性能的影响 | 第45-46页 |
| ·属性个数对算法性能的影响 | 第46-47页 |
| ·概念漂移的检测和适应 | 第47-50页 |
| ·总体性能 | 第50-51页 |
| ·本章小结 | 第51-53页 |
| 第4章 具有周期性概念漂移的数据流的分类 | 第53-65页 |
| ·问题提出 | 第53页 |
| ·历史概念 | 第53-56页 |
| ·历史概念的定义 | 第53-54页 |
| ·概念的抽取及存储 | 第54-55页 |
| ·马尔科夫链模型描述概念转换 | 第55-56页 |
| ·探测概念漂移 | 第56-59页 |
| ·漂移的探测 | 第56-58页 |
| ·历史概念重现 | 第58-59页 |
| ·HBC算法概述 | 第59-60页 |
| ·实验分析 | 第60-64页 |
| ·数据集 | 第61页 |
| ·实验参数设置 | 第61页 |
| ·实验结果 | 第61-64页 |
| ·本章小结 | 第64-65页 |
| 第5章 总结与展望 | 第65-67页 |
| ·本文主要贡献 | 第65页 |
| ·工作展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-73页 |
| 攻硕期间参与项目及发表的论文 | 第73页 |
