首页--工业技术论文--自动化技术、计算机技术论文--自动化基础理论论文--人工智能理论论文--自动推理、机器学习论文

随机森林算法的优化改进及其并行化研究

摘要第3-4页
abstract第4-5页
第1章 绪论第9-15页
    1.1 研究背景和意义第9-10页
    1.2 国内外研究现状第10-12页
        1.2.1 随机森林算法的研究现状第10-11页
        1.2.2 分布式计算框架的研究现状第11-12页
    1.3 课题主要研究内容第12-13页
    1.4 本文的组织结构第13-15页
第2章 随机森林算法综述及MapReduce模型第15-28页
    2.1 分类问题简介第15页
    2.2 随机森林的基分类器——决策树第15-18页
        2.2.1 决策树概述第15-18页
        2.2.2 决策树分类中存在的问题第18页
    2.3 随机森林的构建过程第18-21页
        2.3.1 为每棵决策树抽样产生训练集第18-19页
        2.3.2 构建每棵决策树第19-20页
        2.3.3 森林的形成及算法的执行第20-21页
    2.4 随机森林的理论概述第21-23页
        2.4.1 随机森林的数学定义第21-22页
        2.4.2 随机森林的性质第22-23页
    2.5 性能评价指标第23-25页
        2.5.1 传统评价指标第23-24页
        2.5.2 不平衡数据分类指标第24-25页
    2.6 MapReduce模型第25-27页
        2.6.1 MapReduce框架结构第25-26页
        2.6.2 Hadoop开源平台第26-27页
    2.7 本章小结第27-28页
第3章 面向不平衡数据的随机森林算法优化第28-37页
    3.1 不平衡数据分类概述第28-29页
    3.2 基于AFCM-SMOTE算法的随机森林第29-33页
        3.2.1 改进的FCM算法——AFCM算法第29-30页
        3.2.2 SMOTE算法第30-31页
        3.2.3 AFCM-SMOTE算法与随机森林组合第31-33页
    3.3 仿真实验与分析第33-36页
        3.3.1 实验数据第33页
        3.3.2 实验结果及分析第33-36页
    3.4 本章小结第36-37页
第4章 面向高维数据的随机森林算法优化第37-51页
    4.1 高维数据概述第37-38页
    4.2 面向高维数据的随机森林算法优化第38-45页
        4.2.1 高维数据的特征选择第38页
        4.2.2 面向高维数据的随机森林特征选择和参数优化第38-39页
        4.2.3 智能算法概述第39-43页
        4.2.4 面向高维数据基于智能算法的随机森林特征选择和参数优化第43-45页
    4.3 仿真实验与分析第45-50页
        4.3.1 实验数据和参数第45-46页
        4.3.2 实验结果及分析第46-50页
    4.4 本章小结第50-51页
第5章 基于MapReduce模型的随机森林算法并行化研究第51-57页
    5.1 并行化随机森林算法第51-52页
    5.2 实验环境第52-53页
    5.3 评价指标第53页
    5.4 实验结果与分析第53-56页
        5.4.1 实验数据第53-54页
        5.4.2 实验结果及分析第54-56页
    5.5 本章小结第56-57页
第6章 总结和展望第57-59页
    6.1 研究总结第57-58页
    6.2 进一步工作的方向第58-59页
致谢第59-60页
参考文献第60-64页
攻读学位期间的研究成果第64页

论文共64页,点击 下载论文
上一篇:基于AdaBoostSVM组合算法的研究及其应用
下一篇:图片与文本过滤技术在信息监控中的应用研究