基于最大平衡度与最大共识的改进随机森林算法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 随机森林算法应用研究 | 第12-13页 |
| 1.2.2 随机森林算法优化和改进研究 | 第13-14页 |
| 1.3 本文的工作 | 第14页 |
| 1.4 本文的组织结构 | 第14-16页 |
| 第2章 随机森林算法的相关理论 | 第16-30页 |
| 2.1 随机森林算法的发展 | 第16-18页 |
| 2.1.1 单分类器 | 第16-17页 |
| 2.1.2 Tree Bagging算法 | 第17页 |
| 2.1.3 随机森林算法 | 第17-18页 |
| 2.2 随机森林算法的理论基础 | 第18-24页 |
| 2.2.1 随机森林算法的数学定义 | 第18-20页 |
| 2.2.2 随机森林算法的性能指标与评价方法 | 第20-24页 |
| 2.3 随机森林算法的训练过程 | 第24-29页 |
| 2.3.1 抽样过程 | 第25-26页 |
| 2.3.2 单分类器训练 | 第26-27页 |
| 2.3.3 森林形成与模型组合 | 第27-28页 |
| 2.3.4 随机森林算法分析 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 基于最大平衡度的自适应随机抽样方法 | 第30-43页 |
| 3.1 数据平衡化优化背景 | 第30-32页 |
| 3.1.1 非平衡数据集 | 第30-31页 |
| 3.1.2 非平衡数据的分类问题 | 第31-32页 |
| 3.2 数据平衡化方法 | 第32-33页 |
| 3.3 基于最大平衡度的自适应随机抽样方法 | 第33-36页 |
| 3.3.1 平衡度定义 | 第33-34页 |
| 3.3.2 ARSA-BM算法介绍 | 第34-35页 |
| 3.3.3 ARSA-BM算法描述 | 第35-36页 |
| 3.4 ARSA-BM算法的实验分析 | 第36-42页 |
| 3.4.1 实验环境 | 第36-37页 |
| 3.4.2 实验数据集 | 第37-38页 |
| 3.4.3 性能指标与评估方法 | 第38页 |
| 3.4.4 实验结果与分析 | 第38-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 基于最大共识的模型组合算法 | 第43-54页 |
| 4.1 模型组合的相关概念 | 第43-44页 |
| 4.2 加权的多数表决机制 | 第44-45页 |
| 4.3 基于最大共识的模型组合算法 | 第45-50页 |
| 4.3.1 最大共识定义 | 第45-47页 |
| 4.3.2 MCA-CM算法介绍 | 第47-49页 |
| 4.3.3 MCA-CM算法描述 | 第49-50页 |
| 4.4 MCA-CM算法的实验分析 | 第50-53页 |
| 4.4.1 实验环境 | 第50页 |
| 4.4.2 实验数据集 | 第50-51页 |
| 4.4.3 实验结果与分析 | 第51-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第5章 总结与展望 | 第54-56页 |
| 5.1 研究总结 | 第54页 |
| 5.2 展望 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 作者简介及在学期间所取得的科研成果 | 第60-61页 |
| 致谢 | 第61页 |
