| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 国外研究现状 | 第10页 |
| 1.2.2 国内研究现状 | 第10-11页 |
| 1.3 本文主要工作及创新点 | 第11-13页 |
| 1.4 论文结构 | 第13-15页 |
| 第2章 现有缺失数据处理方法 | 第15-19页 |
| 2.1 删除元组 | 第15页 |
| 2.2 数据插补 | 第15-17页 |
| 2.3 不处理 | 第17页 |
| 2.4 本章小结 | 第17-19页 |
| 第3章 随机森林 | 第19-29页 |
| 3.1 决策树 | 第19-23页 |
| 3.1.1 决策树基本原理 | 第19-20页 |
| 3.1.2 决策树的构造算法 | 第20-21页 |
| 3.1.3 CART算法 | 第21-22页 |
| 3.1.4 决策树的剪枝 | 第22-23页 |
| 3.2 集成学习 | 第23-24页 |
| 3.3 随机森林 | 第24-26页 |
| 3.3.1 随机森林算法原理 | 第24-25页 |
| 3.3.2 构建流程 | 第25-26页 |
| 3.4 随机森林性能和特点 | 第26-27页 |
| 3.4.1 out-of-bag估计 | 第26页 |
| 3.4.2 变量重要性度量 | 第26-27页 |
| 3.4.3 随机特征选取 | 第27页 |
| 3.5 本章小结 | 第27-29页 |
| 第4章 多重回归 | 第29-37页 |
| 4.1 多重回归模型 | 第29页 |
| 4.2 参数估计 | 第29-31页 |
| 4.3 回归方程的显著性验证 | 第31-33页 |
| 4.4 自变量的选择 | 第33页 |
| 4.5 共线性解决方案与校正 | 第33-35页 |
| 4.5.1 多重共线性的诊断 | 第34-35页 |
| 4.5.2 共线性解决方案 | 第35页 |
| 4.6 利用回归方程进行预测 | 第35-36页 |
| 4.7 本章小结 | 第36-37页 |
| 第5章 随机森林缺失数据插补方法研究 | 第37-42页 |
| 5.1 基准插补 | 第37页 |
| 5.2 Proximity imputation | 第37-38页 |
| 5.3 on-the-fly-imputation(OTFI) | 第38页 |
| 5.4 改进算法 | 第38-40页 |
| 5.4.1 随机森林构建改进 | 第38-40页 |
| 5.4.2 剪枝算法改进 | 第40页 |
| 5.5 本章小结 | 第40-42页 |
| 第6章 实验设计 | 第42-49页 |
| 6.1 实验数据来源 | 第42页 |
| 6.2 实验环境 | 第42-43页 |
| 6.3 实验设计 | 第43-48页 |
| 6.3.1 缺失机制 | 第43-46页 |
| 6.3.2 缺失率设计 | 第46-47页 |
| 6.3.3 插补精度测量 | 第47页 |
| 6.3.4 参数设置 | 第47-48页 |
| 6.4 本章小结 | 第48-49页 |
| 第7章 实验结论 | 第49-55页 |
| 7.1 插补精度 | 第49-52页 |
| 7.2 计算时间 | 第52-53页 |
| 7.3 本章小结 | 第53-55页 |
| 总结与未来展望 | 第55-56页 |
| 工作总结 | 第55页 |
| 未来展望 | 第55-56页 |
| 致谢 | 第56-57页 |
| 攻读硕士学位期间取得的研究成果 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 个人简介 | 第62-63页 |