| 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 |
