基于MIC改进的PCA和CFS特征降维算法研究 |
论文目录 | | 摘要 | 第1-5页 | Abstract | 第5-6页 | 第1章 引言 | 第10-16页 | 1.1 研究背景和意义 | 第10-11页 | 1.2 国内外研究现状 | 第11-13页 | 1.3 本文主要工作 | 第13-14页 | 1.4 本文创新点 | 第14页 | 1.5 本文结构安排 | 第14-16页 | 第2章 相关概念和研究思路 | 第16-30页 | 2.1 特征降维 | 第16-18页 | 2.1.1 特征抽取 | 第16-17页 | 2.1.2 特征选择 | 第17-18页 | 2.2 常用变量间相关性度量方式 | 第18-21页 | 2.2.1 Pearson相关系数 | 第18-19页 | 2.2.2 Spearman秩相关系数 | 第19页 | 2.2.3 Kendall相关系数 | 第19页 | 2.2.4 互信息 | 第19-20页 | 2.2.5 最大信息系数 | 第20-21页 | 2.3 常用分类器 | 第21-27页 | 2.3.1 K近邻算法 | 第21-23页 | 2.3.2 朴素贝叶斯算法 | 第23-24页 | 2.3.4 支持向量机 | 第24-25页 | 2.3.5 决策树 | 第25-27页 | 2.4 研究思路框架 | 第27-28页 | 2.5 交叉验证 | 第28-29页 | 2.6 本章小结 | 第29-30页 | 第3章 改进的PCA算法:YJ-MICPCA算法 | 第30-43页 | 3.1 主成分分析 | 第30-31页 | 3.2 改进的主成分分析算法:YJ-MICPCA | 第31-33页 | 3.2.1 Yeo-Johnson变换 | 第31-32页 | 3.2.2 YJ-MICPCA算法 | 第32-33页 | 3.3 模拟研究 | 第33-35页 | 3.3.1 模拟设计 | 第33页 | 3.3.2 模拟结果 | 第33-35页 | 3.4 实验及结果分析 | 第35-42页 | 3.4.1 流程与数据集 | 第35-36页 | 3.4.2 分类器参数设置 | 第36页 | 3.4.3 实验结果与分析 | 第36-40页 | 3.4.4 不同方法的结果比较 | 第40-42页 | 3.5 结论 | 第42页 | 3.6 本章小结 | 第42-43页 | 第4章 改进的CFS算法:MICCFS算法 | 第43-55页 | 4.1 基于关联性的特征选择算法 | 第43-44页 | 4.2 改进的基于关联性特征选择算法:MICCFS | 第44-46页 | 4.2.1 MICCFS算法 | 第44-45页 | 4.2.2 时间复杂度比较 | 第45-46页 | 4.3 实验及结果分析 | 第46-53页 | 4.3.1 流程与实验数据集 | 第46-47页 | 4.3.2 分类器参数设置 | 第47页 | 4.3.3 评价比较准则 | 第47-48页 | 4.3.4 结果与讨论 | 第48-52页 | 4.3.4.1 回归结果 | 第48-50页 | 4.3.4.2 分类结果 | 第50-52页 | 4.3.5 不同算法的比较 | 第52-53页 | 4.4 结论 | 第53-54页 | 4.5 本章小结 | 第54-55页 | 第5章 总结与展望 | 第55-57页 | 5.1 本文研究工作的总结 | 第55-56页 | 5.2 展望 | 第56-57页 | 参考文献 | 第57-61页 | 致谢 | 第61-62页 | 攻读硕士期间发表的论文及比赛 | 第62-63页 | 论文 | 第62页 | 建模比赛 | 第62-63页 | 附录 | 第63-64页 |
|
|
|
| |