基于數(shù)據(jù)的預(yù)測(cè)是當(dāng)今學(xué)術(shù)和應(yīng)用領(lǐng)域廣泛關(guān)注的研究?jī)?nèi)容,很多學(xué)者提出的數(shù)據(jù)挖掘方法在一定程度上解決了預(yù)測(cè)的問題,但目前從理論上處理大數(shù)據(jù)的系統(tǒng)化方法還不完善。因此,本文針對(duì)大數(shù)據(jù)的數(shù)據(jù)量大的特點(diǎn)做了以下兩方面工作:1)以具有結(jié)構(gòu)特征的大數(shù)據(jù)為背景,研究了基于決策樹的有放回抽樣與無放回抽樣相結(jié)合的分類規(guī)則獲取方法（簡(jiǎn)記為SDTI）。該研究包括初始分類規(guī)則庫篩選機(jī)制、分類規(guī)則庫可精煉策略以及基于有放回抽樣的分類規(guī)則的可信性確定方法,并結(jié)合理論與實(shí)驗(yàn)結(jié)果分析了該方法的可行性與可解釋性,為大數(shù)據(jù)背景下的分類規(guī)則獲取方法提供了理論和方法支撐。2)以具有結(jié)構(gòu)特征的大數(shù)據(jù)為背景,研究了基于可信性的不確定性預(yù)測(cè)方法（簡(jiǎn)記為RDP）。該研究包括RDP的執(zhí)行機(jī)制與可信性的確定方法,并結(jié)合大數(shù)定律以及實(shí)驗(yàn)結(jié)果分析了決策屬性取值分布的逼近問題,表明RDP具有良好的可解釋性和可操作性,可以為大數(shù)據(jù)背景下的預(yù)測(cè)提供理論和方法支撐。因而,本文提出的模型均具有良好的可解釋性和結(jié)構(gòu)特征,可以幫助管理者在數(shù)據(jù)量很多的不確定環(huán)境下做出合理的決策。 

【文章來源】：河北科技大學(xué)河北省

【文章頁數(shù)】：56 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀與應(yīng)用前景
        1.2.1 預(yù)測(cè)方法的研究現(xiàn)狀
        1.2.2 決策樹的研究現(xiàn)狀
        1.2.3 大數(shù)據(jù)背景下決策樹分類預(yù)測(cè)方法的研究現(xiàn)狀
    1.3 問題的提出
    1.4 論文的研究?jī)?nèi)容
    1.5 論文結(jié)構(gòu)
第2章 預(yù)備知識(shí)
    2.1 決策樹基本概念
        2.1.1 決策樹簡(jiǎn)介
        2.1.2 決策樹算法基本步驟
        2.1.3 決策樹的評(píng)價(jià)指標(biāo)
    2.2 數(shù)理統(tǒng)計(jì)相關(guān)知識(shí)
    2.3 本章小結(jié)
第3章 大數(shù)據(jù)背景下基于抽樣的分類規(guī)則獲取方法
    3.1 分類規(guī)則的形式化描述
    3.2 基于抽樣的分類規(guī)則獲取機(jī)制
        3.2.1 基于可信閾值的分類規(guī)則篩選策略
        3.2.2 分類規(guī)則篩選的實(shí)例解釋
    3.3 抽樣背景下分類規(guī)則的可信性收斂特征
    3.4 STDI的仿真實(shí)驗(yàn)
        3.4.1 SDTI的測(cè)試可信性仿真分析
        3.4.2 SDTI的分類性能仿真分析
        3.4.3 SDTI的穩(wěn)定性分析
    3.5 本章小結(jié)
第4章 基于可信性分布的不確定性預(yù)測(cè)方法研究
    4.1 預(yù)備知識(shí)
    4.2 抽樣條件下的預(yù)測(cè)方法執(zhí)行機(jī)制
        4.2.1 RDP執(zhí)行機(jī)制
        4.2.2 RDP的實(shí)例解釋
    4.3 抽樣背景下可信性分布的收斂特征分析
    4.4 RDP仿真實(shí)驗(yàn)
        4.4.1 可信性分布的性能仿真
        4.4.2 RDP的穩(wěn)定性
    4.5 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間所發(fā)表的論文
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)K-modes聚類的KNN分類算法[J]. 王志華,劉紹廷,羅齊.  計(jì)算機(jī)工程與設(shè)計(jì). 2019(08)
[2]基于遺傳算法的多工序多機(jī)器調(diào)度優(yōu)化研究[J]. 周福來.  軟件. 2019(06)
[3]KNN認(rèn)知診斷法及其應(yīng)用[J]. 康春花,張淑君,李元白,曾平飛.  江西師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(02)
[4]基于風(fēng)險(xiǎn)排名和決策樹的民航反恐安保風(fēng)險(xiǎn)評(píng)估與決策分析研究[J]. 馮文剛,李巖,李福海,王欣,周西平.  數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn). 2018(10)
[5]基于數(shù)據(jù)挖掘技術(shù)的機(jī)械設(shè)備故障診斷應(yīng)用研究[J]. 徐紅霞.  電腦知識(shí)與技術(shù). 2018(30)
[6]基于梯度提升決策樹的高速公路交織區(qū)匯入位置模型[J]. 李根,孫璐.  交通運(yùn)輸系統(tǒng)工程與信息. 2018(03)
[7]基于遺傳算法的PID控制參數(shù)研究分析[J]. 劉亞洲,齊言強(qiáng),張志毅.  新技術(shù)新工藝. 2018(03)
[8]面向分布式數(shù)據(jù)流大數(shù)據(jù)分類的多變量決策樹[J]. 張宇,包研科,邵良杉,劉威.  自動(dòng)化學(xué)報(bào). 2018(06)
[9]基于改進(jìn)隨機(jī)決策樹算法的分布式數(shù)據(jù)挖掘[J]. 石紅姣.  計(jì)算機(jī)與數(shù)字工程. 2017(09)
[10]大數(shù)據(jù)環(huán)境下決策樹算法并行化研究[J]. 李運(yùn)娣.  河南工程學(xué)院學(xué)報(bào)(自然科學(xué)版). 2017(02)

博士論文
[1]分布式?jīng)Q策樹算法在分類問題中的研究與實(shí)現(xiàn)[D]. 母亞雙.大連理工大學(xué) 2018
[2]幾個(gè)預(yù)測(cè)方法及模型的研究[D]. 唐萬梅.內(nèi)蒙古大學(xué) 2006

碩士論文
[1]基于大數(shù)據(jù)平臺(tái)的決策樹分類算法及并行化研究[D]. 張永潘.南京郵電大學(xué) 2017
[2]非平衡大數(shù)據(jù)應(yīng)用領(lǐng)域的多決策樹及其分布式計(jì)算理論研究[D]. 張翕茜.太原理工大學(xué) 2017



本文編號(hào)：2952132