面向数据流挖掘算法的研究与改进
摘要 | 第4-5页 |
ABSTRACT | 第5页 |
第一章 绪论 | 第8-13页 |
1.1 引言 | 第8-9页 |
1.2 研究现状 | 第9-11页 |
1.3 本文的主要工作与组织结构 | 第11-13页 |
第二章 相关技术 | 第13-28页 |
2.1 数据挖掘 | 第13-14页 |
2.2 数据流挖掘 | 第14-23页 |
2.2.1 基本概念 | 第15页 |
2.2.2 数据挖掘技术与数据流挖掘对比分析 | 第15-16页 |
2.2.3 数据流的逻辑模型 | 第16-19页 |
2.2.4 数据流的应用模型 | 第19-23页 |
2.3 决策树学习 | 第23-27页 |
2.3.1 决策树表示法 | 第24页 |
2.3.2 决策树学习核心算法 | 第24-26页 |
2.3.3 决策树学习适应问题 | 第26-27页 |
2.4 本章小结 | 第27-28页 |
第三章 面向数据流的决策树算法研究与改进 | 第28-47页 |
3.1 Hoeffding Trees | 第28-33页 |
3.1.1 Hoeffding边界 | 第29-30页 |
3.1.2 Hoeffding算法模板 | 第30-33页 |
3.2 VFDTCA算法的改进设计 | 第33-35页 |
3.3 权衡属性指标选择 | 第35-38页 |
3.3.1 信息增益 | 第35-37页 |
3.3.2 基尼指数 | 第37-38页 |
3.4 最小样本量优化 | 第38-39页 |
3.5 连续属性处理 | 第39-46页 |
3.5.1 VFDTc算法 | 第40-41页 |
3.5.2 NIP分类器 | 第41-43页 |
3.5.3 连续属性处理的实现 | 第43-46页 |
3.6 本章小结 | 第46-47页 |
第四章 实验与分析 | 第47-55页 |
4.1 实验方案 | 第47-48页 |
4.1.1 开发平台 | 第48页 |
4.1.2 数据来源 | 第48页 |
4.2 实验分析 | 第48-54页 |
4.2.1 模拟对数据流预测的精度变化 | 第49-50页 |
4.2.2 算法处理训练样本的性能 | 第50-52页 |
4.2.3 算法对未知样本的预测性能 | 第52-54页 |
4.3 本章小结 | 第54-55页 |
第五章 总结与展望 | 第55-57页 |
5.1 总结 | 第55页 |
5.2 展望 | 第55-57页 |
参考文献 | 第57-60页 |
致谢 | 第60页 |