| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 引言 | 第9-11页 |
| 1.1 本文研究目的及意义 | 第9页 |
| 1.2 本文研究的主要内容 | 第9-10页 |
| 1.3 本文的创新点和不足 | 第10页 |
| 1.4 国内外文献综述 | 第10-11页 |
| 第二章 logistic模型理论知识 | 第11-18页 |
| 2.1 Logistic回归的基本原理 | 第11页 |
| 2.2 Logistic回归的应用范围 | 第11页 |
| 2.3 Logistic回归的分类 | 第11-12页 |
| 2.4 Logistic回归的应用条件 | 第12页 |
| 2.5 Logistic回归的假设条件 | 第12页 |
| 2.6 logistic数学模型 | 第12-14页 |
| 2.7 logistic回归模型的参数估计与检验准则 | 第14-16页 |
| 2.7.1 logistic回归模型的参数估计 | 第14-15页 |
| 2.7.2 logistic回归模型的检验准则 | 第15-16页 |
| 2.8 回归系数符号反常的原因与变量筛选 | 第16页 |
| 2.9 模型参数意义 | 第16-17页 |
| 2.10 Logistic回归模型与一般线性回归模型的区别 | 第17-18页 |
| 第三章 logistic数据建模 | 第18-28页 |
| 3.1 logistic建模思想与数据预处理 | 第18-20页 |
| 3.2 模型的建立与解读 | 第20-28页 |
| 3.2.1 分类水平信息 | 第20-21页 |
| 3.2.2 建模汇总 | 第21页 |
| 3.2.3 参数估计 | 第21-22页 |
| 3.2.4 优比估计(logistic回归模型的odds比值) | 第22页 |
| 3.2.5 模型拟合统计量(拟合优度) | 第22-24页 |
| 3.2.6 全局检验(总体拟合测试Testing Global Null Hypothesis:BEYA=0) | 第24页 |
| 3.2.7 关联统计( Association of Predicted Probabilites and Observed Response) | 第24-25页 |
| 3.2.8 残差的卡方检验 | 第25页 |
| 3.2.9 效应图 | 第25-26页 |
| 3.2.10 预测 | 第26-28页 |
| 第四章 神经网络 | 第28-35页 |
| 4.1 神经网络的定义 | 第28页 |
| 4.2 神经网络的应用与分类 | 第28-30页 |
| 4.2.1 神经网络的应用 | 第28页 |
| 4.2.2 神经网络的分类 | 第28-29页 |
| 4.2.3 人工神经网络的特点 | 第29页 |
| 4.2.4 BP算法(误差反向传播算法)的基本流程如下 | 第29-30页 |
| 4.3 数据的预处理 | 第30-31页 |
| 4.4 优化和建立模型 | 第31-35页 |
| 4.4.1 确定神经网络隐藏层节点个数 | 第31-32页 |
| 4.4.2 确定神经网络的训练周期数 | 第32-33页 |
| 4.4.3 建立神经网络模型 | 第33-34页 |
| 4.4.4 预测 | 第34-35页 |
| 第五章 小结 | 第35-37页 |
| 5.1 Logistic模型和神经网络的相似之处 | 第35页 |
| 5.2 Logistic模型和神经网络的不同之处 | 第35页 |
| 5.3 小结 | 第35-37页 |
| 参考文献 | 第37-38页 |
| 致谢 | 第38页 |
