随机森林相似度算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 本文研究的内容 | 第14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第2章 相关知识和概念 | 第16-25页 |
| 2.1 集成学习 | 第16-20页 |
| 2.1.1 集成学习简介 | 第16页 |
| 2.1.2 个体学习器 | 第16-17页 |
| 2.1.3 Bagging和Boosting算法 | 第17-19页 |
| 2.1.4 集成学习结合策略 | 第19-20页 |
| 2.2 决策树 | 第20-23页 |
| 2.2.1 决策树基本流程 | 第20-21页 |
| 2.2.2 常见的决策树算法 | 第21-23页 |
| 2.3 随机森林算法 | 第23-24页 |
| 2.3.1 随机森林概述 | 第23页 |
| 2.3.2 OOB估计 | 第23-24页 |
| 2.3.3 随机森林的特点 | 第24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 随机森林样本相似度的优化研究 | 第25-42页 |
| 3.1 随机森林样本相似度 | 第25-26页 |
| 3.2 基于特征重要性的样本相似度计算方法 | 第26-29页 |
| 3.2.1 特征重要性 | 第26-27页 |
| 3.2.2 改进的样本相似度计算方法 | 第27-29页 |
| 3.3 基于决策树上相同属性的样本相似度计算方法 | 第29-31页 |
| 3.4 基于改进样本相似度的分类 | 第31-41页 |
| 3.4.1 实验方案与参数设置 | 第32-33页 |
| 3.4.2 实验结果与分析 | 第33-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第4章 随机森林处理非平衡数据的优化研究 | 第42-53页 |
| 4.1 非平衡数据集简介 | 第42页 |
| 4.2 非平衡数据集分类存在的问题 | 第42-43页 |
| 4.3 非平衡数据集分类问题的解决办法 | 第43-46页 |
| 4.3.1 通过改进算法解决非平衡问题的方法 | 第43-44页 |
| 4.3.2 通过改造数据解决非平衡问题的方法 | 第44-46页 |
| 4.4 随机森林处理非平衡数据的优化 | 第46-48页 |
| 4.4.1 K-Means算法 | 第46页 |
| 4.4.2 KMS_SMOTE算法设计 | 第46-47页 |
| 4.4.3 KMS_SMOTE算法流程图 | 第47-48页 |
| 4.5 KMS_SMOTE算法有效性验证 | 第48-52页 |
| 4.5.1 实验数据集 | 第48-49页 |
| 4.5.2 评估指标 | 第49-50页 |
| 4.5.3 实验结果与分析 | 第50-52页 |
| 4.6 本章小结 | 第52-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59页 |
