在信息爆炸的新時代,由于全球科技與經濟迅猛發(fā)展,數(shù)據(jù)充斥在各行各業(yè),數(shù)據(jù)的結構也變得多樣化。其中對于數(shù)據(jù)的分類最常見,伴隨著數(shù)據(jù)分類的同時出現(xiàn)兩大處理難點,一個是非均衡問題,另一個就是高維問題。但是傳統(tǒng)的數(shù)據(jù)方法在進行數(shù)據(jù)挖掘時,低維平衡數(shù)據(jù)被重點關注,傳統(tǒng)分類方法有線性判別分析、Logistic判別模型、支持向量機算法、K近鄰算法、決策樹算法、隨機森林算法、神經網(wǎng)絡學習、等。但是目前各個領域充斥著大量高維非均衡數(shù)據(jù),而傳統(tǒng)方法對非均衡數(shù)據(jù)分類問題的關注比較缺失。目前對于非均衡數(shù)據(jù)分類時,由于數(shù)量本身的嚴重偏斜,分類器整體的分類準確度良好恰恰歸功于多數(shù)類樣本的正確分類,然而我們分類的目的往往是更重視少數(shù)樣本的精度,所以運用常見的分類算法直接對非平衡數(shù)據(jù)集進行分類是不理想的;另一個高維數(shù)據(jù)的處理也是模型識別領域研究中的難點,從數(shù)據(jù)的特征集中甄別出必要的、具有代表性的、足以識別目標的最小特征子集,從而達到降低特征空間維度的目的。因此探究高維非均衡數(shù)據(jù)的分類處理涉及各個領域的發(fā)展。高維非均衡數(shù)據(jù)的處理與分類問題在數(shù)據(jù)挖掘方面尤為重要,本文針對處理高維非均衡數(shù)據(jù)的基礎算法隨機森林（Random... 

【文章頁數(shù)】：57 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 選題的背景及意義
        1.1.1 選題背景
        1.1.2 研究意義
    1.2 國內外研究現(xiàn)狀
    1.3 研究內容與技術路線
        1.3.1 研究內容
        1.3.2 技術路線圖
    1.4 創(chuàng)新之處和論文結構
        1.4.1 創(chuàng)新之處
        1.4.2 論文結構
2 相關理論基礎
    2.1 數(shù)據(jù)集介紹
    2.2 隨機森林算法
        2.2.1 隨機森林的基分類器--決策樹
        2.2.2 隨機森林的構建
        2.2.3 隨機森林的特征重要性選取
        2.2.4 隨機森林的缺點以及本文提出的解決辦法
    2.3 標準粒子優(yōu)化群算法
    2.4 SMOTE算法
        2.4.1 SMOTE算法的原理
        2.4.2 SMOTE算法的缺點以及本文提出的解決辦法
    2.5 動態(tài)離差平方和準則
    2.6 最小二乘支持向量機算法
3 高維非均衡邊界混合數(shù)據(jù)的優(yōu)化處理
    3.1 高維數(shù)據(jù)降維處理優(yōu)化算法
        3.1.1 特征選取--MOG算法
        3.1.2 MOG算法步驟
    3.2 非均衡邊界混合數(shù)據(jù)處理優(yōu)化算法
        3.2.1 均衡算法--PDSSD-TSMOTE算法
        3.2.2 PDSSD-TSMOTE算法步驟
4 優(yōu)化算法驗證實驗
    4.1 基于MOG算法降維處理
        4.1.1 隨機森林算法參數(shù)設置
        4.1.2 隨機森林算法下的兩種特征評價標準
        4.1.3 MOG算法參數(shù)設置
        4.1.4 MOG算法與“分段式剃須法”下的特征提取
    4.2 基于PDSSD-TSMOTE算法對數(shù)據(jù)均衡實驗
        4.2.1 PDSSD-TSMOTE算法下的均衡實驗
        4.2.2 PDSSD-TSMOTE算法下的均衡實驗參數(shù)設置
        4.2.3 PDSSD-TSMOTE算法下均衡數(shù)據(jù)的分類結果
5 基于最小二乘支持向量機模型對高維非均衡數(shù)據(jù)的分類
    5.1 MOG算法與PDSSD-TSMOTE算法與傳統(tǒng)方法對數(shù)據(jù)整合的效果比較
    5.2 不同算法的時間復雜度與計算效率比較分析
        5.2.1 均衡與降維算法的時間復雜度比較分析
        5.2.2 均衡與降維以及分類算法的時間效率比較分析
6 結論與展望
    6.1 全文總結
    6.2 展望
致謝
參考文獻
個人簡歷、在學期間發(fā)表的學術論文及取得的研究成果


【參考文獻】：
期刊論文
[1]特征選擇方法綜述[J]. 李郅琴,杜建強,聶斌,熊旺平,黃燦奕,李歡.  計算機工程與應用. 2019(24)
[2]基于Wavelet leader和優(yōu)化的等距映射算法的回轉支承自適應特征提取[J]. 趙祥龍,陳捷,洪榮晶,王華,李媛媛.  浙江大學學報(工學版). 2019(11)
[3]金融危機預警模型與先導指標選擇[J]. 王克達.  金融監(jiān)管研究. 2019(08)
[4]基于變分模態(tài)分解-BA-LSSVM算法的配電網(wǎng)短期負荷預測[J]. 趙鳳展,郝帥,張宇,杜松懷,單葆國,蘇娟,井天軍,趙婷婷.  農業(yè)工程學報. 2019(14)
[5]小波核局部Fisher判別分析的高光譜遙感影像特征提取[J]. 張輝,劉萬軍,呂歡歡.  模式識別與人工智能. 2019(07)
[6]改進SMOTE的不平衡數(shù)據(jù)集成分類算法[J]. 王忠震,黃勃,方志軍,高永彬,張娟.  計算機應用. 2019(09)
[7]基于動態(tài)離差平方和準則的無監(jiān)督機器學習[J]. 肖枝洪,于浩,王一超.  重慶理工大學學報(自然科學). 2018(11)
[8]基于信息增益的SFT中故障影響因素降維方法研究[J]. 崔鐵軍,李莎莎,韓光,姜福川.  安全與環(huán)境學報. 2018(05)
[9]基于非均衡模糊近似支持向量機的P2P網(wǎng)貸借款人信用風險評估及應用[J]. 張衛(wèi)國,盧媛媛,劉勇軍.  系統(tǒng)工程理論與實踐. 2018(10)
[10]改進SMOTE的非平衡數(shù)據(jù)集分類算法研究[J]. 趙清華,張藝豪,馬建芬,段倩倩.  計算機工程與應用. 2018(18)

博士論文
[1]面向醫(yī)學數(shù)據(jù)的隨機森林特征選擇及分類方法研究[D]. 姚登舉.哈爾濱工程大學 2016



本文編號：3682386