| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第13-24页 |
| 1.1 研究背景与意义 | 第13-15页 |
| 1.1.1 研究背景 | 第13-14页 |
| 1.1.2 研究意义 | 第14-15页 |
| 1.2 研究现状与面临的挑战 | 第15-21页 |
| 1.2.1 研究现状 | 第15-20页 |
| 1.2.2 面临的挑战 | 第20-21页 |
| 1.3 研究内容及主要工作 | 第21-22页 |
| 1.4 论文结构安排 | 第22-24页 |
| 第二章 供应商信用评价及相关技术 | 第24-33页 |
| 2.1 供应商信用评价概述 | 第24-25页 |
| 2.1.1 传统的供应商信用评价的过程 | 第24页 |
| 2.1.2 供应商信用评价的指标体系 | 第24-25页 |
| 2.2 传统的供应商信用评价方法及优缺点 | 第25-26页 |
| 2.3 数据挖掘技术概述 | 第26-29页 |
| 2.3.1 数据挖掘的概念 | 第26页 |
| 2.3.2 数据挖掘的过程 | 第26-27页 |
| 2.3.3 数据挖掘的分类 | 第27页 |
| 2.3.4 数据挖掘的任务和应用领域 | 第27-28页 |
| 2.3.5 数据挖掘的常用算法及优劣势 | 第28-29页 |
| 2.4 基于数据挖掘的供应商信用评价 | 第29-32页 |
| 2.4.1 基于数据挖掘的供应商信用评价的可行性 | 第29-30页 |
| 2.4.2 基于数据挖掘的供应商信用评价的优势 | 第30-31页 |
| 2.4.3 基于数据挖掘的供应商信用评价的过程 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第三章 xgboost集成学习框架 | 第33-40页 |
| 3.1 集成学习方法概述 | 第33-34页 |
| 3.2 常用的集成学习算法 | 第34-38页 |
| 3.2.1 自引导抽样法 | 第34页 |
| 3.2.2 Bagging组合法 | 第34-35页 |
| 3.2.3 AdaBoost | 第35-36页 |
| 3.2.4 MultiBoost | 第36-37页 |
| 3.2.5 Gradient Boosting Decision Tree | 第37-38页 |
| 3.3 xgboost | 第38-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 LMT(Logistic Model Tree) | 第40-47页 |
| 4.1 决策树算法概述 | 第40-44页 |
| 4.1.1 决策树的基本原理 | 第40页 |
| 4.1.2 决策树的构造思路 | 第40页 |
| 4.1.3 属性选择的度量方法 | 第40-42页 |
| 4.1.4 决策树的修剪 | 第42-43页 |
| 4.1.5 常用的决策树方法 | 第43-44页 |
| 4.2 Logistic回归 | 第44-46页 |
| 4.2.1 Logistic回归基本原理 | 第44-46页 |
| 4.2.2 回归系数分析及检验 | 第46页 |
| 4.2.3 拟合优度检验 | 第46页 |
| 4.3 Logistic Model Tree | 第46页 |
| 4.4 本章小结 | 第46-47页 |
| 第五章 基于优化的xgboost-LMT的供应商信用评价模型 | 第47-56页 |
| 5.1 集成学习框架的选择 | 第47-48页 |
| 5.2 基分类器的选取 | 第48-49页 |
| 5.3 xgboost集成学习框架优化 | 第49-52页 |
| 5.3.1 人工反应优化算法(Artificial Chemical Reaction Optimization Algorithm,ACROA) | 第49-51页 |
| 5.3.2 基于ACROA算法的xgboost模型的参数优化 | 第51-52页 |
| 5.4 基分类器优化 | 第52-55页 |
| 5.4.1 反正切Lasso惩罚似然估计 | 第52-53页 |
| 5.4.2 基于反正切Lasso惩罚函数的LMT算法优化 | 第53-55页 |
| 5.5 基于优化的xgboost-LMT算法流程 | 第55页 |
| 5.6 本章小结 | 第55-56页 |
| 第六章 实验设计及结果分析 | 第56-71页 |
| 6.1 实验环境 | 第56页 |
| 6.2 实验数据描述及数据预处理 | 第56-58页 |
| 6.3 基于ACROA算法的xgboost模型的参数优化 | 第58-61页 |
| 6.4 基于反正切Lasso惩罚函数的LMT算法优化 | 第61-63页 |
| 6.5 分类模型性能评价指标 | 第63-65页 |
| 6.5.1 混淆矩阵和准确度、查全率 | 第63-64页 |
| 6.5.2 受试者操作曲线 | 第64-65页 |
| 6.6 基于优化的xgboost-LMT模型性能实验 | 第65-66页 |
| 6.7 优化的xgboost-LMT分类模型性能纵向向对比 | 第66-67页 |
| 6.7.1 独立基于反正切Lasso惩罚函数的LMT模型性能实验 | 第66页 |
| 6.7.2 独立基于ACORA优化的xgboost模型性能实验 | 第66-67页 |
| 6.8 优化的xgboost-LMT分类模型性能横向对比 | 第67页 |
| 6.9 基于优化的xgboost-LMT模型的特征分析 | 第67-70页 |
| 6.10 本章小结 | 第70-71页 |
| 工作总结和展望 | 第71-73页 |
| 参考文献 | 第73-85页 |
| 攻读硕士学位期间发表的学术论文 | 第85-87页 |
| 致谢 | 第87页 |
