| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 数据挖掘相关背景 | 第10-13页 |
| 1.2.1 大数据的概念 | 第10-11页 |
| 1.2.2 数据挖掘的概念 | 第11页 |
| 1.2.3 数据挖掘的主要应用方向 | 第11-13页 |
| 1.3 电信行业中精准营销的现状 | 第13-15页 |
| 1.3.1 精准营销的目的 | 第13页 |
| 1.3.2 精准营销的基本流程 | 第13-14页 |
| 1.3.3 精准营销的应用场景 | 第14-15页 |
| 1.4 本文工作及组织结构 | 第15-17页 |
| 第二章 机器学习相关技术背景 | 第17-30页 |
| 2.1 引言 | 第17页 |
| 2.2 机器学习 | 第17-20页 |
| 2.2.1 机器学习分绍 | 第17-18页 |
| 2.2.2 机器学习的过程 | 第18页 |
| 2.2.3 机器学习的目标 | 第18页 |
| 2.2.4 机器学习的分类和算法 | 第18-20页 |
| 2.3 单标记学习 | 第20-21页 |
| 2.4 多标记学习 | 第21-25页 |
| 2.4.1 问题定义 | 第21-22页 |
| 2.4.2 求解策略 | 第22-23页 |
| 2.4.3 算法分类 | 第23-25页 |
| 2.5 性能度量 | 第25-29页 |
| 2.5.1 单标记学习性能度量 | 第25-26页 |
| 2.5.2 多标记学习性能度量 | 第26-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第三章 属性选择与数据预处理 | 第30-48页 |
| 3.1 引言 | 第30页 |
| 3.2 问题描述 | 第30页 |
| 3.3 属性选择 | 第30-33页 |
| 3.3.1 属性选择简介 | 第30-31页 |
| 3.3.2 信息增益和信息增益率 | 第31-32页 |
| 3.3.3 基于信息增益率的用户属性选择 | 第32-33页 |
| 3.4 数据集构建 | 第33-34页 |
| 3.5 数据预处理 | 第34-35页 |
| 3.5.1 属性数据处理 | 第34-35页 |
| 3.5.2 类标数据处理 | 第35页 |
| 3.6 不均衡数据集 | 第35-39页 |
| 3.6.1 数据不均衡的概念 | 第35页 |
| 3.6.2 现有数据不均衡处理方法 | 第35-37页 |
| 3.6.3 不均衡数据集问题的性能度量 | 第37-39页 |
| 3.7 类标数据的处理 | 第39-40页 |
| 3.7.1 现有数据集特点 | 第39页 |
| 3.7.2 处理不均衡数据 | 第39-40页 |
| 3.8 基于RANDOM FOREST算法的预测模型构建 | 第40-46页 |
| 3.8.1 集成学习及算法介绍 | 第40-44页 |
| 3.8.2 基于Random Forest算法的预测模型构建 | 第44-46页 |
| 3.9 实验 | 第46-47页 |
| 3.9.1 实验设置 | 第46页 |
| 3.9.2 实验结果 | 第46-47页 |
| 3.9.3 结果分析 | 第47页 |
| 3.10 本章小结 | 第47-48页 |
| 第四章 基于多标记学习的模型构建 | 第48-59页 |
| 4.1 引言 | 第48页 |
| 4.2 常见的基于标记关系的算法介绍 | 第48-53页 |
| 4.2.1 Calibrated Label Ranking算法 | 第48-50页 |
| 4.2.2 Random k-Labelsets算法 | 第50-51页 |
| 4.2.3 ML-KNN算法 | 第51-53页 |
| 4.3 基于CLASSIFIER CHAINS算法的用户数据挖掘 | 第53-56页 |
| 4.3.1 Classifier Chains算法介绍 | 第53-55页 |
| 4.3.2 基于Classfier Chains算法的预测模型构建 | 第55-56页 |
| 4.4 实验 | 第56-58页 |
| 4.4.1 实验设置 | 第56-57页 |
| 4.4.2 实验结果 | 第57-58页 |
| 4.4.3 结果分析 | 第58页 |
| 4.5 本章小结 | 第58-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 5.1 本文工作总结 | 第59页 |
| 5.2 不足与展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-66页 |
| 附录 | 第66-67页 |
