| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 半监督学习研究现状 | 第9-11页 |
| 1.2.2 随机森林算法研究现状 | 第11-12页 |
| 1.3 本文主要研究内容 | 第12-13页 |
| 1.4 本文组织结构 | 第13-14页 |
| 2 半监督分类算法理论基础 | 第14-25页 |
| 2.1 半监督学习 | 第14-15页 |
| 2.2 分类相关概念及基本原理 | 第15-16页 |
| 2.3 随机森林分类 | 第16-18页 |
| 2.4 几种典型的半监督分类算法 | 第18-24页 |
| 2.4.1 Self-Training算法 | 第18-19页 |
| 2.4.2 Co-Training算法 | 第19页 |
| 2.4.3 Tri-Training算法 | 第19-22页 |
| 2.4.4 Co-Forest算法 | 第22-24页 |
| 2.5 本章小结 | 第24-25页 |
| 3 基于分组及数据剪辑的半监督随机森林算法NC-Forest | 第25-43页 |
| 3.1 算法的提出 | 第25-26页 |
| 3.2 算法原理 | 第26-30页 |
| 3.2.1 算法收敛性 | 第26-27页 |
| 3.2.2 数据剪辑策略 | 第27-28页 |
| 3.2.3 决策树分组 | 第28-30页 |
| 3.3 NC-Forest算法描述 | 第30-33页 |
| 3.4 实验结果及分析 | 第33-42页 |
| 3.4.1 实验数据 | 第33-34页 |
| 3.4.2 实验结果及分析 | 第34-42页 |
| 3.5 本章小结 | 第42-43页 |
| 4 基于Spark的半监督随机森林分类算法DNC-Forest | 第43-55页 |
| 4.1 Spark随机森林现状 | 第43-45页 |
| 4.2 DNC-Forest算法描述 | 第45-49页 |
| 4.3 实验结果及分析 | 第49-54页 |
| 4.3.1 实验环境 | 第49-50页 |
| 4.3.2 实验数据 | 第50页 |
| 4.3.3 实验结果及分析 | 第50-54页 |
| 4.4 本章小结 | 第54-55页 |
| 5 总结与展望 | 第55-57页 |
| 5.1 全文总结 | 第55-56页 |
| 5.2 后续研究工作的展望 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 附录 | 第61页 |
| A. 作者在攻读学位期间申请的专利 | 第61页 |