基于粗糙集的大数据集挖掘算法研究与实现
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-11页 |
| 第一章 绪论 | 第11-17页 |
| ·概述 | 第11页 |
| ·课题研究背景及意义 | 第11-12页 |
| ·课题研究现状 | 第12-14页 |
| ·决策树的研究现状 | 第12-14页 |
| ·决策树与粗糙集交叉研究的现状 | 第14页 |
| ·论文研究内容 | 第14-16页 |
| ·论文组织结构 | 第16-17页 |
| 第二章 决策树和粗糙集的相关理论研究 | 第17-34页 |
| ·分类模型概述 | 第17-19页 |
| ·分类的定义 | 第17-18页 |
| ·分类模型的评价标准 | 第18-19页 |
| ·分类模型的评估方法 | 第19页 |
| ·决策树方法概述 | 第19-24页 |
| ·决策树概述 | 第19-20页 |
| ·决策树的构造过程 | 第20-22页 |
| ·经典决策树算法的分析与比较 | 第22-24页 |
| ·粗糙集理论基础 | 第24-29页 |
| ·粗糙集中的知识表示 | 第24-25页 |
| ·约简与核 | 第25-26页 |
| ·粗糙集的近似度量 | 第26-27页 |
| ·粗糙集的不精确范畴 | 第27-29页 |
| ·分类数据的预处理 | 第29-33页 |
| ·数据清理 | 第29-30页 |
| ·数据集成 | 第30-31页 |
| ·数据变换 | 第31-32页 |
| ·数据约简 | 第32-33页 |
| ·本章小结 | 第33-34页 |
| 第三章 面向大数据集的数据约简算法 | 第34-58页 |
| ·问题的提出 | 第34-42页 |
| ·大数据集规模控制的必要性 | 第34-36页 |
| ·决策树与训练集规模之间的关系 | 第36-39页 |
| ·几种典型的数据约简方法 | 第39-41页 |
| ·存在的问题 | 第41-42页 |
| ·基于属性纯度的数据空间分割 | 第42-44页 |
| ·基于代表性实例的KNN约简 | 第44-47页 |
| ·中心实例的查找 | 第44-45页 |
| ·代表性实例的抽取 | 第45-47页 |
| ·算法描述 | 第47-48页 |
| ·算法复杂度分析 | 第48-50页 |
| ·算法信息论基础分析 | 第50-52页 |
| ·算例分析 | 第52-57页 |
| ·本章小结 | 第57-58页 |
| 第四章 基于属性分类价值量的决策树模型 | 第58-69页 |
| ·问题的提出 | 第58-61页 |
| ·常用决策树节点属性选择测度 | 第58-60页 |
| ·存在的问题 | 第60-61页 |
| ·构建扩展的可分辨矩阵 | 第61-63页 |
| ·新的属性选择测度——属性分类价值量 | 第63-65页 |
| ·算法描述 | 第65页 |
| ·算例分析 | 第65-67页 |
| ·本章小结 | 第67-69页 |
| 第五章 实验结果与性能评估 | 第69-78页 |
| ·概述 | 第69页 |
| ·实验环境介绍 | 第69-71页 |
| ·实验 | 第71-77页 |
| ·实验数据特性 | 第71页 |
| ·实验步骤 | 第71-73页 |
| ·大数据集规模压缩的比较 | 第73-74页 |
| ·ACVS准确率和规则数目的比较 | 第74-76页 |
| ·ACVS生成规则数目的比较 | 第76-77页 |
| ·本章小结 | 第77-78页 |
| 第六章 总结与展望 | 第78-81页 |
| ·本文总结 | 第78-79页 |
| ·工作展望 | 第79-81页 |
| 致谢 | 第81-82页 |
| 参考文献 | 第82-87页 |
| 附录A 攻读硕士学位期间发表的论文 | 第87-88页 |
| 附录B 攻读硕士学位期间参与的科研工作 | 第88页 |
