| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 研究现状概述 | 第11-12页 |
| 1.3 本文的主要工作和组织架构 | 第12-14页 |
| 第2章 决策树算法和随机森林模型介绍 | 第14-30页 |
| 2.1 决策树算法 | 第14-20页 |
| 2.1.1 决策树算法概述 | 第14-16页 |
| 2.1.2 非叶子节点分类属性的选取 | 第16-19页 |
| 2.1.3 决策树的优化 | 第19-20页 |
| 2.2 随机森林算法 | 第20-24页 |
| 2.2.1 Bagging算法介绍 | 第21-22页 |
| 2.2.2 随机森林算法描述 | 第22-23页 |
| 2.2.3 随机森林模型投票过程 | 第23-24页 |
| 2.3 随机森林的理论基础 | 第24-27页 |
| 2.4 随机森林的优缺点 | 第27-28页 |
| 2.4.1 随机森林的优点 | 第27-28页 |
| 2.4.2 随机森林的缺点 | 第28页 |
| 2.5 袋外数据估计 | 第28-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第3章 基于加权决策树的随机森林 | 第30-51页 |
| 3.1 随机森林工作流程 | 第31-32页 |
| 3.2 元分类器评估依据 | 第32-38页 |
| 3.2.1 OOB估计 | 第32-33页 |
| 3.2.2 相关系数(Correlation coefficient) | 第33-35页 |
| 3.2.3 卡方 | 第35-36页 |
| 3.2.4 互信息 | 第36-38页 |
| 3.3 算法描述和结果预测 | 第38-40页 |
| 3.3.1 基于决策树预测能力的权值计算 | 第38-39页 |
| 3.3.2 基于样本统计学指标的权值计算 | 第39-40页 |
| 3.3.3 实验预期效果 | 第40页 |
| 3.4 实验和结果分析 | 第40-49页 |
| 3.4.1 实验数据说明 | 第40-41页 |
| 3.4.2 实验参数说明 | 第41-42页 |
| 3.4.3 决策树棵树和模型预测准确率的关系 | 第42-47页 |
| 3.4.4 特征空间对模型预测能力的影响 | 第47-49页 |
| 3.5 本章小结 | 第49-51页 |
| 第4章 半投票量模式的随机森林 | 第51-60页 |
| 4.1 半投票量模式 | 第51-52页 |
| 4.2 半投票量算法描述 | 第52-55页 |
| 4.3 在投票加权算法中使用半投票量模式 | 第55-56页 |
| 4.4 实验数据说明 | 第56页 |
| 4.5 实验结果和分析 | 第56-59页 |
| 4.6 本章小结 | 第59-60页 |
| 第5章 总结和展望 | 第60-62页 |
| 5.1 算法优化总结 | 第60页 |
| 5.2 研究展望 | 第60-62页 |
| 参考文献 | 第62-65页 |
| 攻读硕士期间发表的论文 | 第65-66页 |
| 致谢 | 第66页 |