| 摘要 | 第5页 |
| 1 介绍 | 第8-9页 |
| 1.1 背景描述 | 第8页 |
| 1.2 研究目的 | 第8页 |
| 1.3 论文结构 | 第8页 |
| 1.4 研究工具 | 第8-9页 |
| 2 统计学习理论模型 | 第9-10页 |
| 2.1 k-NN | 第9页 |
| 2.2 C4.5 | 第9-10页 |
| 2.3 Random Forest | 第10页 |
| 2.4 SVM | 第10页 |
| 3 数据 | 第10-14页 |
| 3.1 数据描述 | 第10-11页 |
| 3.1.1 航班延误数据 | 第10-11页 |
| 3.1.2 天气数据 | 第11页 |
| 3.2 数据清理 | 第11-14页 |
| 3.2.1 数据结构 | 第11-13页 |
| 3.2.2 空值处理 | 第13-14页 |
| 3.3 数据加工 | 第14页 |
| 3.3.1 增加公众节假日字段 | 第14页 |
| 3.3.2 简化计划起飞和到达时间段 | 第14页 |
| 4 探索性分析 | 第14-20页 |
| 4.1 航空公司与延误 | 第14-16页 |
| 4.2 月份与延误 | 第16-17页 |
| 4.3 星期与延误 | 第17-18页 |
| 4.4 航班时间与延误 | 第18-19页 |
| 4.5 节假日与延误 | 第19-20页 |
| 5 归类分析 | 第20-26页 |
| 5.1 数据 | 第20-21页 |
| 5.2 C4.5模型与预测结果 | 第21-22页 |
| 5.3 随机森林模型与预测结果 | 第22-23页 |
| 5.4 SVM模型及其预测结果 | 第23-24页 |
| 5.5 k-NN模型及其预测结果 | 第24-26页 |
| 6 决策树和归类分析优化 | 第26-31页 |
| 6.1 决策树和归类分析评价 | 第26页 |
| 6.2 引入新变量 | 第26-27页 |
| 6.3 评价基准 | 第27页 |
| 6.4 优化后的分析结果 | 第27-31页 |
| 6.4.1 C4.5 | 第27-29页 |
| 6.4.2 Random Forest | 第29-30页 |
| 6.4.3 SVM | 第30页 |
| 6.4.4 k-NN | 第30-31页 |
| 7 回归分析 | 第31-35页 |
| 7.1 线性回归 | 第32-34页 |
| 7.2 随机梯度下降回归(Stochastic Gradient Descent Regressor) | 第34-35页 |
| 8 结论与不足 | 第35-36页 |
| 参考资料 | 第36页 |