基于数据挖掘的超市商品销量预测
| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 第1章 绪论 | 第6-12页 |
| 1.1 选题背景 | 第6-7页 |
| 1.2 选题意义 | 第7-8页 |
| 1.3 研究内容与研究方法 | 第8-12页 |
| 1.3.1 主要内容 | 第8-10页 |
| 1.3.2 总体路线 | 第10页 |
| 1.3.3 研究方法 | 第10-12页 |
| 第2章 理论基础及国内外研究 | 第12-20页 |
| 2.1 数据挖掘相关概述 | 第12-14页 |
| 2.1.1 数据挖掘的定义和分类 | 第12-13页 |
| 2.1.2 数据挖掘的过程 | 第13-14页 |
| 2.2 数据挖掘在零售业中应用 | 第14-17页 |
| 2.2.1 基于零售商品销量预测研究 | 第14-15页 |
| 2.2.2 基于零售总额预测研究 | 第15-16页 |
| 2.2.3 常用预测方法 | 第16-17页 |
| 2.3 预测精度指标 | 第17-20页 |
| 第3章 数据预处理 | 第20-38页 |
| 3.1 数据源分析 | 第20-22页 |
| 3.2 数据探索和可视化分析 | 第22-33页 |
| 3.2.1 用户维度数据分析 | 第23-24页 |
| 3.2.2 商品维度数据分析 | 第24-33页 |
| 3.3 数据清洗 | 第33-38页 |
| 第4章 特征工程 | 第38-50页 |
| 4.1 特征工程简介 | 第38页 |
| 4.2 特征工程的组成 | 第38-43页 |
| 4.2.1 特征提取步骤 | 第38-41页 |
| 4.2.2 特征处理方法 | 第41-43页 |
| 4.3 特征工程设计思路 | 第43-46页 |
| 4.4 特征工程构造展示 | 第46-50页 |
| 第5章 基本模型设计 | 第50-68页 |
| 5.1 基本预测模型 | 第50-55页 |
| 5.1.1 多元线性回归模型 | 第50-51页 |
| 5.1.2 支持向量回归模型 | 第51-53页 |
| 5.1.3 随机森林回归模型 | 第53-54页 |
| 5.1.4 梯度提升回归模型 | 第54-55页 |
| 5.2 模型构建 | 第55-57页 |
| 5.3 模型预测结果 | 第57-68页 |
| 第6章 销量预测组合模型设计 | 第68-90页 |
| 6.1 实验描述 | 第68-70页 |
| 6.2 组合模型概述 | 第70-74页 |
| 6.2.1 组合模型介绍 | 第70-71页 |
| 6.2.2 PKS混合模型介绍 | 第71-73页 |
| 6.2.3 Light GBM算法介绍 | 第73-74页 |
| 6.3 组合模型构建及结果 | 第74-90页 |
| 6.3.1 PKS混合模型的实验结果 | 第74-79页 |
| 6.3.2 基于Light GBM模型的实验结果 | 第79-87页 |
| 6.3.3 模型结果调优融合 | 第87-90页 |
| 第7章 总结 | 第90-92页 |
| 7.1 工作总结 | 第90页 |
| 7.2 工作展望 | 第90-92页 |
| 参考文献 | 第92-96页 |
| 攻读学位期间的研究成果 | 第96-98页 |
| 致谢 | 第98-100页 |
