基于机器学习获取用户画像的关联度指标研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第1章 引言 | 第10-14页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文研究内容及组织结构 | 第12-14页 |
| 第2章 机器学习算法 | 第14-26页 |
| 2.1 分类算法 | 第14-24页 |
| 2.1.1 逻辑回归算法 | 第14-18页 |
| 2.1.2 决策树算法 | 第18-20页 |
| 2.1.3 支持向量机算法 | 第20-24页 |
| 2.2 聚类算法 | 第24-25页 |
| 2.3 关联分析算法 | 第25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 数据分析与处理 | 第26-32页 |
| 3.1 商业理解 | 第26-27页 |
| 3.2 数据集探索 | 第27-29页 |
| 3.3 数据处理 | 第29-30页 |
| 3.3.1 数据清洗 | 第29-30页 |
| 3.3.2 数据转换 | 第30页 |
| 3.4 本章小结 | 第30-32页 |
| 第4章 预测是否换机 | 第32-46页 |
| 4.1 建立预测换机模型 | 第32-33页 |
| 4.1.1 建立模型 | 第32页 |
| 4.1.2 模型参数介绍 | 第32-33页 |
| 4.2 模型的评估 | 第33-39页 |
| 4.2.1 评估指标 | 第33-36页 |
| 4.2.2 模型评估结果 | 第36-39页 |
| 4.3 模型的提升 | 第39-44页 |
| 4.3.1 集成学习的概念 | 第39-40页 |
| 4.3.2 集成学习的主要方法 | 第40-41页 |
| 4.3.3 提升的结果 | 第41-44页 |
| 4.4 模型的应用 | 第44页 |
| 4.5 本章小结 | 第44-46页 |
| 第5章 用户聚类及兴趣关联分析 | 第46-58页 |
| 5.1 用户行为分析 | 第46-47页 |
| 5.1.1 用户行为分析的意义 | 第46页 |
| 5.1.2 用户行为分析的内容 | 第46-47页 |
| 5.2 客户细分 | 第47-50页 |
| 5.3 兴趣关联分析 | 第50-51页 |
| 5.4 商圈分析 | 第51-56页 |
| 5.4.1 商圈人群划分 | 第53-55页 |
| 5.4.2 商圈消费对比 | 第55-56页 |
| 5.5 本章小结 | 第56-58页 |
| 第6章 工作总结与改进 | 第58-60页 |
| 6.1 工作总结 | 第58页 |
| 6.2 待改进之处 | 第58-60页 |
| 参考文献 | 第60-66页 |
| 作者简介及科研成果 | 第66-68页 |
| 致谢 | 第68页 |
