| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第12-13页 |
| 缩略语对照表 | 第13-17页 |
| 第一章 绪论 | 第17-25页 |
| 1.1 引言 | 第17-18页 |
| 1.2 国内外研究现状 | 第18-21页 |
| 1.3 应用场景 | 第21-22页 |
| 1.4 研究目的及意义 | 第22-23页 |
| 1.5 主要工作和论文组织结构 | 第23-25页 |
| 第二章 Hadoop平台 | 第25-35页 |
| 2.1 Hadoop平台概述 | 第25-29页 |
| 2.1.1 Hadoop平台设计思想与架构 | 第25-28页 |
| 2.1.2 Hadoop平台发展演变概述 | 第28页 |
| 2.1.3 Hadoop平台国内外应用现状 | 第28-29页 |
| 2.2 MapReduce计算模型 | 第29-33页 |
| 2.2.1 计算流程与机制 | 第29-31页 |
| 2.2.2 Mapper类概述 | 第31-32页 |
| 2.2.3 Reducer类概述 | 第32-33页 |
| 2.3 Hadoop平台存储系统 | 第33-34页 |
| 2.4 本章小结 | 第34-35页 |
| 第三章 机器学习分类算法 | 第35-51页 |
| 3.1 机器学习分类算法概述 | 第35-41页 |
| 3.1.1 机器学习分类算法基本概念 | 第35-37页 |
| 3.1.2 损失函数与风险函数 | 第37-39页 |
| 3.1.3 泛化能力 | 第39-41页 |
| 3.1.4 交叉验证 | 第41页 |
| 3.2 常用的机器学习分类算法 | 第41-48页 |
| 3.2.1 K最近邻算法 | 第41-45页 |
| 3.2.2 逻辑回归算法 | 第45-47页 |
| 3.2.3 人工神经网络算法 | 第47-48页 |
| 3.3 集成学习 | 第48-50页 |
| 3.4 本章小结 | 第50-51页 |
| 第四章 基于Hadoop平台的机器学习分类算法 | 第51-65页 |
| 4.1 基于Hadoop平台的K最近邻算法 | 第51-56页 |
| 4.1.1 算法设计 | 第51-53页 |
| 4.1.2 超参数的确定 | 第53-55页 |
| 4.1.3 与现有基于Hadoop平台的K最近邻算法的对比 | 第55-56页 |
| 4.2 基于Hadoop平台的逻辑回归算法 | 第56-59页 |
| 4.2.1 算法设计 | 第56-59页 |
| 4.3 基于Hadoop平台的BP神经网络算法 | 第59-63页 |
| 4.3.1 算法设计 | 第59-63页 |
| 4.4 本章小结 | 第63-65页 |
| 第五章 实验验证与结果分析 | 第65-89页 |
| 5.1 实验集群信息 | 第65页 |
| 5.2 实验数据集信息 | 第65-66页 |
| 5.3 算法模型评估 | 第66-69页 |
| 5.3.1 k折交叉验证法 | 第66-67页 |
| 5.3.2 算法泛化能力评估 | 第67-68页 |
| 5.3.3 算法可扩展性评估 | 第68-69页 |
| 5.3.4 算法的时间复杂度 | 第69页 |
| 5.4 实验过程 | 第69-74页 |
| 5.4.2 数据准备 | 第69-71页 |
| 5.4.3 集群实验 | 第71-74页 |
| 5.4.4 结果整理 | 第74页 |
| 5.5 实验结果和讨论 | 第74-88页 |
| 5.5.1 基于Hadoop平台的K最近邻算法 | 第74-80页 |
| 5.5.2 基于Hadoop平台的逻辑回归算法 | 第80-83页 |
| 5.5.3 基于Hadoop平台的BP神经网络算法 | 第83-86页 |
| 5.5.4 三种算法对比分析 | 第86-88页 |
| 5.6 本章小结 | 第88-89页 |
| 第六章 总结与展望 | 第89-93页 |
| 6.1 工作总结 | 第89-90页 |
| 6.2 下一步工作及展望 | 第90-93页 |
| 参考文献 | 第93-99页 |
| 致谢 | 第99-101页 |
| 作者简介 | 第101-102页 |