基于机器学习抑制概念漂移不良影响的应用研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第7-19页 |
| 1.1 研究背景和意义 | 第7-12页 |
| 1.2 国内外现状 | 第12-16页 |
| 1.3 主要研究目标和内容 | 第16-17页 |
| 1.4 论文组织结构 | 第17-19页 |
| 第二章 相关背景知识综述 | 第19-29页 |
| 2.1 数据流概念漂移相关研究 | 第19-21页 |
| 2.2 集成算法技术 | 第21-26页 |
| 2.2.1 决策树应用技术 | 第23-25页 |
| 2.2.2 k近邻应用技术 | 第25-26页 |
| 2.3 滑动窗口技术应用 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于集成算法应对概念漂移的应用研究 | 第29-36页 |
| 3.1 集成算法研究背景 | 第29页 |
| 3.2 集成算法理论 | 第29-33页 |
| 3.2.1 基础分类器算法 | 第29-32页 |
| 3.2.2 非同质型集成算法 | 第32-33页 |
| 3.3 实验结果和分析 | 第33-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 基于滑动窗口应对概念漂移的应用研究 | 第36-45页 |
| 4.1 滑动窗口技术背景 | 第36页 |
| 4.2 时间序列常用模型 | 第36-41页 |
| 4.2.1 时间序列常见模型的应用实例 | 第36-38页 |
| 4.2.2 时间序列中的可变滑动窗口 | 第38-41页 |
| 4.3 实验结果和分析 | 第41-43页 |
| 4.4 本章小结 | 第43-45页 |
| 第五章 应用系统过拟合问题研究 | 第45-52页 |
| 5.1 有关过拟合问题的研究 | 第45-46页 |
| 5.2 决策树算法中过度学习的处理 | 第46-49页 |
| 5.2.1 基于PDN变化趋势的预剪枝方法 | 第47-48页 |
| 5.2.2 常用的后剪枝方法 | 第48-49页 |
| 5.3 实验结果和分析 | 第49-50页 |
| 5.4 本章小结 | 第50-52页 |
| 第六章 总结与展望 | 第52-54页 |
| 6.1 本文总结 | 第52页 |
| 6.2 工作展望 | 第52-54页 |
| 参考文献 | 第54-56页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第56-57页 |
| 致谢 | 第57页 |
