基于Hadoop的SVM算法优化及在文本分类中的应用
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 符号说明 | 第8-10页 |
| 目录 | 第10-12页 |
| 第一章 绪论 | 第12-17页 |
| 1.1 本课题背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 本文研究内容 | 第15-16页 |
| 1.4 本文组织结构 | 第16-17页 |
| 第二章 相关理论及技术原理 | 第17-36页 |
| 2.1 Hadoop | 第17-24页 |
| 2.1.1 HDFS | 第18-21页 |
| 2.1.2 MapReduce | 第21-24页 |
| 2.2 Spark | 第24-28页 |
| 2.2.1 RDD | 第25-27页 |
| 2.2.2 Spark资源管理与作业调度 | 第27页 |
| 2.2.3 Spark编程接口 | 第27-28页 |
| 2.3 支持向量机 | 第28-32页 |
| 2.3.1 线性支持向量机 | 第28-31页 |
| 2.3.2 非线性支持向量机 | 第31-32页 |
| 2.4 并行支持向量机发展 | 第32-34页 |
| 2.4.1 并行算法求二次规划 | 第32-33页 |
| 2.4.2 混合支持向量机 | 第33-34页 |
| 2.4.3 层叠支持向量机 | 第34页 |
| 2.5 文本分类 | 第34-35页 |
| 2.6 本章小结 | 第35-36页 |
| 第三章 基于Hadoop的并行支持向量机 | 第36-47页 |
| 3.1 并行层叠支持向量机 | 第36-37页 |
| 3.2 分布式优化 | 第37-38页 |
| 3.3 并行层叠支持向量机实现过程 | 第38-42页 |
| 3.3.1 MapReduce实现过程 | 第39-40页 |
| 3.3.2 SMO实现过程 | 第40-42页 |
| 3.4 收敛性 | 第42-43页 |
| 3.5 实验 | 第43-45页 |
| 3.5.1 实验环境 | 第43页 |
| 3.5.2 实验数据 | 第43页 |
| 3.5.3 实验验证 | 第43-45页 |
| 3.6 本章小结 | 第45-47页 |
| 第四章 基于Spark的并行梯度下降的支持向量机 | 第47-57页 |
| 4.1 随机梯度下降 | 第47-48页 |
| 4.2 微型批量并行梯度下降算法 | 第48-49页 |
| 4.3 核化 | 第49页 |
| 4.4 基于预设的微型批量并行梯度下降算法 | 第49-50页 |
| 4.5 去除预设维护方法 | 第50-51页 |
| 4.6 实验 | 第51-56页 |
| 4.6.1 实验环境 | 第51页 |
| 4.6.2 实验数据和参数 | 第51-52页 |
| 4.6.3 实验验证 | 第52-56页 |
| 4.7 本章小结 | 第56-57页 |
| 第五章 并行支持向量机集成和应用 | 第57-70页 |
| 5.1 大云并行数据挖掘系统简介 | 第57-59页 |
| 5.2 系统集成 | 第59-64页 |
| 5.2.1 需求分析 | 第59-60页 |
| 5.2.2 概要设计 | 第60-61页 |
| 5.2.3 详细设计 | 第61-64页 |
| 5.4 在文本分类中的应用 | 第64-69页 |
| 5.4.1 文本处理 | 第64-65页 |
| 5.4.2 文本分类 | 第65-69页 |
| 5.5 本章小结 | 第69-70页 |
| 第六章 总结和展望 | 第70-71页 |
| 参考文献 | 第71-74页 |
| 附录 | 第74-75页 |
| 致谢 | 第75-76页 |
| 攻读学位期间发表的学术论文目录 | 第76页 |
