面向缺失数据的机器学习算法研究
| 摘要 | 第9-11页 |
| Abstract | 第11-12页 |
| 第一章 绪论 | 第13-30页 |
| 1.1 缺失数据及其对机器学习的影响 | 第13-18页 |
| 1.1.1 缺失数据的来源与类型 | 第13-17页 |
| 1.1.2 缺失对机器学习的影响 | 第17-18页 |
| 1.2 机器学习中的缺失处理 | 第18-26页 |
| 1.2.1 完整样本分析 | 第18-19页 |
| 1.2.2 均值填充 | 第19-21页 |
| 1.2.3 基于模型的缺失处理 | 第21-24页 |
| 1.2.4 嵌入算法的缺失处理 | 第24-26页 |
| 1.3 机器学习中缺失处理的问题与挑战 | 第26-28页 |
| 1.4 本文主要工作 | 第28-29页 |
| 1.5 本文结构 | 第29-30页 |
| 第二章 相关工作 | 第30-49页 |
| 2.1 超限学习机的缺失处理 | 第30-36页 |
| 2.1.1 超限学习机学习方法 | 第30-31页 |
| 2.1.2 V-ELMI缺失分类算法 | 第31-32页 |
| 2.1.3 NR-SVM缺失分类算法 | 第32-33页 |
| 2.1.4 A-ELM缺失分类算法 | 第33-35页 |
| 2.1.5 MV-ELM缺失回归算法 | 第35-36页 |
| 2.2 类间隔最大化特征选择的缺失处理 | 第36-41页 |
| 2.2.1 MFS特征选择算法 | 第36-38页 |
| 2.2.2 缺失处理对MFS算法的影响 | 第38-39页 |
| 2.2.3 SID特征选择算法 | 第39-41页 |
| 2.3 面向不完整视图的多视图聚类算法 | 第41-48页 |
| 2.3.1 KL+KCCA算法 | 第41-43页 |
| 2.3.2 CoKL+KCCA算法 | 第43-44页 |
| 2.3.3 PVC算法 | 第44-46页 |
| 2.3.4 MIC算法 | 第46-48页 |
| 2.4 本章小结 | 第48-49页 |
| 第三章 样本自适应超限学习机 | 第49-71页 |
| 3.1 引言 | 第49-50页 |
| 3.2 样本自适应ELM分类算法 | 第50-59页 |
| 3.2.1 问题定义与基本思想 | 第50-52页 |
| 3.2.2 S-ELM分类算法 | 第52-56页 |
| 3.2.3 S-ELMK分类算法 | 第56-59页 |
| 3.3 样本自适应ELM回归算法 | 第59-62页 |
| 3.3.1 问题定义与基本思想 | 第59-61页 |
| 3.3.2 S-ELMR回归分析算法 | 第61-62页 |
| 3.4 实验评价 | 第62-70页 |
| 3.4.1 实验设置 | 第62-65页 |
| 3.4.2 S-ELM和S-ELMK算法验证 | 第65-68页 |
| 3.4.3 S-ELMR算法验证 | 第68-70页 |
| 3.5 本章小结 | 第70-71页 |
| 第四章 面向缺失的特征选择 | 第71-88页 |
| 4.1 引言 | 第71-72页 |
| 4.2 问题定义与基本思想 | 第72-73页 |
| 4.3 期望近邻关系 | 第73-75页 |
| 4.4 不完整样本的类间隔 | 第75-77页 |
| 4.4.1 k近邻类间隔 | 第75-77页 |
| 4.4.2 向多类数据的扩展 | 第77页 |
| 4.5 KMFS算法 | 第77-79页 |
| 4.6 实验验证 | 第79-87页 |
| 4.6.1 实验设置 | 第79-82页 |
| 4.6.2 模拟数据测试 | 第82页 |
| 4.6.3 真实数据测试 | 第82-86页 |
| 4.6.4 收敛性测试 | 第86-87页 |
| 4.7 本章小结 | 第87-88页 |
| 第五章 面向多个不完整视图的聚类 | 第88-109页 |
| 5.1 引言 | 第88-89页 |
| 5.2 不完整多视图数据 | 第89-91页 |
| 5.3 聚类判别信息的提取 | 第91-95页 |
| 5.3.1 隐式特征矩阵 | 第91-92页 |
| 5.3.2 不完整视图的隐式特征矩阵 | 第92-95页 |
| 5.4 多视图的融合 | 第95-99页 |
| 5.4.1 隐特征矩阵的融合 | 第95-97页 |
| 5.4.2 隐特征矩阵的更新 | 第97-99页 |
| 5.5 实验验证 | 第99-108页 |
| 5.5.1 实验设置 | 第99-102页 |
| 5.5.2 准确性对比测试 | 第102-105页 |
| 5.5.3 收敛性测试 | 第105-107页 |
| 5.5.4 参数影响测试 | 第107-108页 |
| 5.6 本章小结 | 第108-109页 |
| 第六章 总结与展望 | 第109-112页 |
| 6.1 工作总结 | 第109-110页 |
| 6.2 研究展望 | 第110-112页 |
| 致谢 | 第112-113页 |
| 参考文献 | 第113-120页 |
| 作者在学期间取得的学术成果 | 第120页 |
