| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景 | 第8-10页 |
| 1.2 IPTV用户报障行为预测的研究现状 | 第10-11页 |
| 1.3 论文的主要工作 | 第11-12页 |
| 1.4 论文的结构安排 | 第12-14页 |
| 第二章 相关背景知识介绍 | 第14-23页 |
| 2.1 IPTV系统架构 | 第14-16页 |
| 2.2 非均衡数据的处理方法 | 第16-20页 |
| 2.2.1 研究方法 | 第16-18页 |
| 2.2.2 性能评估指标 | 第18-20页 |
| 2.3 常用机器学习算法 | 第20-22页 |
| 2.3.1 特征选择算法 | 第20-21页 |
| 2.3.2 分类算法 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 基于PCA主成分矩阵的IPTV用户报障特征选择算法 | 第23-35页 |
| 3.1 数据预处理 | 第23-26页 |
| 3.1.1 数据集 | 第23-24页 |
| 3.1.2 数据清洗 | 第24-26页 |
| 3.2 基于PCA主成分矩阵的特征选择算法 | 第26-34页 |
| 3.2.1 主成分分析 | 第26-27页 |
| 3.2.2 信息增益 | 第27-28页 |
| 3.2.3 基于PCA主成分矩阵的特征选择算法 | 第28-29页 |
| 3.2.4 实验结果与分析 | 第29-34页 |
| 3.3 本章小结 | 第34-35页 |
| 第四章 基于改进的SMOTE的IPTV用户报障数据生成算法 | 第35-45页 |
| 4.1 SMOTE算法 | 第35-36页 |
| 4.2 基于改进的SMOTE算法的少数类数据生成 | 第36-38页 |
| 4.3 基础分类算法的选取 | 第38-41页 |
| 4.3.1 决策树算法 | 第38-40页 |
| 4.3.2 K近邻算法 | 第40-41页 |
| 4.3.3 朴素贝叶斯算法 | 第41页 |
| 4.4 实验结果与分析 | 第41-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第五章 基于K-means++的IPTV用户报障行为预测算法 | 第45-54页 |
| 5.1 聚类算法K-means | 第45-46页 |
| 5.2 基于K-means++的欠采样算法 | 第46-49页 |
| 5.2.1 K-means++算法 | 第47页 |
| 5.2.2 基于K-means++的欠采样算法 | 第47-49页 |
| 5.3 实验结果与分析 | 第49-53页 |
| 5.4 本章小结 | 第53-54页 |
| 第六章 总结与展望 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第59-60页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第60-61页 |
| 致谢 | 第61页 |
