| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究工作的背景与意义 | 第9-11页 |
| 1.2 数据挖掘自动化的国内外研究历史与现状 | 第11-13页 |
| 1.3 本论文的主要贡献与创新 | 第13-14页 |
| 1.4 本论文的结构安排 | 第14-16页 |
| 第二章 特征工程的自动化实现 | 第16-33页 |
| 2.1 特征工程 | 第16-18页 |
| 2.2 特征的线性组合 | 第18-25页 |
| 2.2.1 机器学习中的线性组合 | 第18-19页 |
| 2.2.2 相关理论 | 第19-23页 |
| 2.2.3 基于AdaBoost算法的特征线性组合算法 | 第23-25页 |
| 2.3 特征的非线性组合 | 第25-30页 |
| 2.3.1 机器学习中的非线性组合 | 第25页 |
| 2.3.2 相关理论 | 第25-30页 |
| 2.3.3 基于提升树算法的特征非线性组合算法 | 第30页 |
| 2.4 实验与结论 | 第30-31页 |
| 2.5 本章小结 | 第31-33页 |
| 第三章 参数调整的自动化实现 | 第33-48页 |
| 3.1 机器学习中的参数优化 | 第33-34页 |
| 3.1.1 机器学习算法的参数 | 第33-34页 |
| 3.1.2 常用参数调整方法 | 第34页 |
| 3.2 相关理论 | 第34-36页 |
| 3.3 贝叶斯优化算法 | 第36-40页 |
| 3.3.1 高斯过程 | 第36-38页 |
| 3.3.2 采集函数 | 第38-40页 |
| 3.4 实验与结论 | 第40-47页 |
| 3.4.1 随机森林算法 | 第41-43页 |
| 3.4.2 神经网络算法 | 第43-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第四章 自动化数据挖掘系统实现 | 第48-64页 |
| 4.1 常规数据挖掘流程 | 第48-49页 |
| 4.2 数据预处理模块设计 | 第49-53页 |
| 4.2.1 数据清洗 | 第49-50页 |
| 4.2.2 数据变换 | 第50-52页 |
| 4.2.3 数据预处理模块 | 第52-53页 |
| 4.3 特征构造与参数调整模块设计 | 第53-55页 |
| 4.3.1 特征构造模块 | 第54页 |
| 4.3.2 参数调整模块 | 第54-55页 |
| 4.4 建立模型与结果评估模块设计 | 第55-59页 |
| 4.4.1 建立模型准则 | 第56-57页 |
| 4.4.2 模型评估的常用方法和性能度量 | 第57-59页 |
| 4.4.3 建立模型与结果评估模块 | 第59页 |
| 4.5 实验与结论 | 第59-63页 |
| 4.5.1 准备数据 | 第59-60页 |
| 4.5.2 数据预处理 | 第60-61页 |
| 4.5.3 特征工程 | 第61页 |
| 4.5.4 建立与训练模型 | 第61-62页 |
| 4.5.5 效果评估 | 第62-63页 |
| 4.6 本章小结 | 第63-64页 |
| 第五章 总结与展望 | 第64-66页 |
| 5.1 全文总结 | 第64-65页 |
| 5.2 后续工作展望 | 第65-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 攻读硕士学位期间取得的成果 | 第70页 |