| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题的研究背景及意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9页 |
| 1.1.2 研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 国外研究现状 | 第10-11页 |
| 1.2.2 国内研究现状 | 第11-12页 |
| 1.3 研究内容 | 第12-13页 |
| 1.4 论文结构 | 第13-14页 |
| 第2章 缺失数据的相关理论 | 第14-21页 |
| 2.1 缺失数据描述 | 第14-15页 |
| 2.2 数据缺失机制 | 第15-16页 |
| 2.3 现有的缺失数据处理方法 | 第16-20页 |
| 2.3.1 删除法 | 第16-17页 |
| 2.3.2 数据填补法 | 第17-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第3章 基于Random Forest的缺失数据预测模型 | 第21-29页 |
| 3.1 随机森林理论 | 第21-24页 |
| 3.1.1 决策树 | 第21-22页 |
| 3.1.2 集成学习 | 第22页 |
| 3.1.3 随机森林 | 第22-24页 |
| 3.2 基于随机森林的缺失数据预测模型 | 第24-28页 |
| 3.2.1 相似度矩阵 | 第24-25页 |
| 3.2.2 条件属性值缺失的数据补全模型 | 第25-26页 |
| 3.2.3 条件与决策属性值缺失的数据补全模型 | 第26-28页 |
| 3.3 本章小结 | 第28-29页 |
| 第4章 改进的相似度计算标准和填补策略 | 第29-41页 |
| 4.1 问题的提出 | 第29页 |
| 4.2 一种改进的相似度矩阵计算标准 | 第29-32页 |
| 4.3 一种改进的缺失数据填补策略 | 第32-33页 |
| 4.4 改进的缺失数据补全流程 | 第33-34页 |
| 4.5 实验验证 | 第34-39页 |
| 4.5.1 实验环境 | 第35页 |
| 4.5.2 实验评价指标 | 第35页 |
| 4.5.3 实验数据 | 第35-36页 |
| 4.5.4 实验分析 | 第36-39页 |
| 4.6 本章小结 | 第39-41页 |
| 第5章 基于RF的缺失数据预测模型优化策略 | 第41-51页 |
| 5.1 问题的提出 | 第41页 |
| 5.2 基于Bayes的缺失数据补全研究 | 第41-45页 |
| 5.2.1 贝叶斯定理 | 第41-43页 |
| 5.2.2 朴素贝叶斯 | 第43-44页 |
| 5.2.3 基于朴素贝叶斯的缺失数据预测模型 | 第44-45页 |
| 5.3 基于NB-RF的缺失数据预测模型 | 第45-46页 |
| 5.4 实验验证 | 第46-49页 |
| 5.4.1 实验数据 | 第46-47页 |
| 5.4.2 实验评价指标 | 第47页 |
| 5.4.3 实验分析 | 第47-49页 |
| 5.5 本章小结 | 第49-51页 |
| 第6章 总结与展望 | 第51-53页 |
| 6.1 总结 | 第51-52页 |
| 6.2 创新点 | 第52页 |
| 6.3 展望 | 第52-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 攻读学位期间的研究成果 | 第58页 |