基于IPTV机顶盒KPI数据的用户报障预测系统
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 非均衡分类问题研究现状 | 第9-10页 |
| 1.2.1 算法层面的算法改进 | 第9-10页 |
| 1.2.2 数据层面的采样方法 | 第10页 |
| 1.3 本论文研究内容及主要成果 | 第10-13页 |
| 第二章 相关背景知识介绍 | 第13-24页 |
| 2.1 性能评估指标 | 第13-14页 |
| 2.2 机器学习算法 | 第14-15页 |
| 2.2.1 机器学习算法分类 | 第14-15页 |
| 2.2.2 常见的机器学习算法 | 第15页 |
| 2.3 Hadoop介绍 | 第15-21页 |
| 2.3.1 Hadoop产生背景 | 第15-16页 |
| 2.3.2 Hadoop生态系统 | 第16-17页 |
| 2.3.3 HDFS | 第17-19页 |
| 2.3.4 YARN | 第19-20页 |
| 2.3.5 HBase | 第20-21页 |
| 2.4 Spark介绍 | 第21-23页 |
| 2.4.1 Spark产生背景 | 第21页 |
| 2.4.2 Spark生态系统 | 第21-23页 |
| 2.4.3 Spark Core | 第23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 数据分析与特征选取 | 第24-32页 |
| 3.1 数据分析 | 第24-28页 |
| 3.1.1 数据集介绍 | 第24-26页 |
| 3.1.2 数据清洗 | 第26-28页 |
| 3.2 特征选择 | 第28-31页 |
| 3.2.1 相关性 | 第28-29页 |
| 3.2.2 信息增益 | 第29-30页 |
| 3.2.3 特征选取分析 | 第30-31页 |
| 3.3 本章小结 | 第31-32页 |
| 第四章 用户报障预测模型 | 第32-50页 |
| 4.1 用户报障预测模型—算法层面 | 第32-39页 |
| 4.1.1 决策树算法介绍 | 第32-35页 |
| 4.1.2 无偏决策树算法 | 第35-36页 |
| 4.1.3 实验结果分析 | 第36-39页 |
| 4.2 用户报障预测模型—数据层面 | 第39-49页 |
| 4.2.1 过采样算法 | 第39-41页 |
| 4.2.2 传统分类算法 | 第41-43页 |
| 4.2.3 提出的AVDADASYN算法 | 第43-47页 |
| 4.2.4 实验结果分析 | 第47-49页 |
| 4.3 算法层面和数据层面模型对比 | 第49页 |
| 4.4 本章小结 | 第49-50页 |
| 第五章 IPTV用户报障预测系统的设计与实现 | 第50-60页 |
| 5.1 系统环境搭建 | 第50-51页 |
| 5.1.1 系统硬件环境 | 第50-51页 |
| 5.1.2 系统软件环境 | 第51页 |
| 5.2 系统需求分析 | 第51-52页 |
| 5.2.1 系统前端需求分析 | 第51页 |
| 5.2.2 系统后台需求分析 | 第51-52页 |
| 5.3 系统设计 | 第52-56页 |
| 5.3.1 系统平台架构 | 第52-55页 |
| 5.3.2 系统模块设计 | 第55-56页 |
| 5.4 系统实现 | 第56-59页 |
| 5.5 本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 总结 | 第60页 |
| 6.2 展望 | 第60-62页 |
| 参考文献 | 第62-64页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第64-65页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第65-66页 |
| 致谢 | 第66页 |
