分类回归方法优化及在消费行为分析预测中应用
| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第1章 绪论 | 第7-12页 |
| 1.1 课题研究背景和意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.2.1 消费行为分析研究现状 | 第8-9页 |
| 1.2.2 决策树算法研究现状 | 第9-10页 |
| 1.3 论文主要工作 | 第10页 |
| 1.4 论文结构 | 第10-12页 |
| 第2章 决策树算法研究 | 第12-20页 |
| 2.1 决策树简介 | 第12-15页 |
| 2.1.1 决策树表现形式 | 第12-13页 |
| 2.1.2 决策树的生长和剪枝 | 第13-14页 |
| 2.1.3 决策树的评价标准 | 第14-15页 |
| 2.2 经典的决策树算法 | 第15-19页 |
| 2.2.1 ID3算法 | 第15-16页 |
| 2.2.2 C4.5 算法 | 第16-17页 |
| 2.2.3 CART算法 | 第17-18页 |
| 2.2.4 其他决策树算法 | 第18-19页 |
| 2.3 分类回归决策树的研究内容 | 第19页 |
| 2.4 本章小结 | 第19-20页 |
| 第3章 分类回归方法优化 | 第20-33页 |
| 3.1 基于类别比例的属性允许分割次数设定 | 第20-23页 |
| 3.1.1 计算离散属性的最大允许分割次数 | 第21页 |
| 3.1.2 计算连续属性的最大允许分割次数 | 第21-23页 |
| 3.2 属性选择标准的优化 | 第23-24页 |
| 3.3 限制分割次数的决策树生成算法 | 第24-26页 |
| 3.4 实验验证 | 第26-32页 |
| 3.4.1 分割窗口的鲁棒性 | 第26-28页 |
| 3.4.2 与原始分类回归算法对比 | 第28-31页 |
| 3.4.3 与当前决策树算法对比 | 第31-32页 |
| 3.5 本章小结 | 第32-33页 |
| 第4章 决策树剪枝方法优化 | 第33-45页 |
| 4.1 后剪枝方法比较 | 第33-36页 |
| 4.1.1 REP方法 | 第33页 |
| 4.1.2 PEP方法 | 第33-34页 |
| 4.1.3 MEP方法 | 第34-35页 |
| 4.1.4 CCP方法 | 第35-36页 |
| 4.1.5 几种剪枝方法对比 | 第36页 |
| 4.2 剪枝标准的优化 | 第36-39页 |
| 4.2.1 相关概念定义 | 第36-37页 |
| 4.2.2 设定新的剪枝标准 | 第37-39页 |
| 4.3 剪枝流程 | 第39-41页 |
| 4.4 实验验证 | 第41-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第5章 优化算法在消费行为分析预测中的应用 | 第45-54页 |
| 5.1 应用数据介绍 | 第45-46页 |
| 5.2 使用优化算法建立分析预测模型并应用 | 第46-50页 |
| 5.3 应用模型填补不完整数据 | 第50-52页 |
| 5.4 应用模型预测消费行为 | 第52-53页 |
| 5.5 本章小结 | 第53-54页 |
| 第6章 总结与展望 | 第54-56页 |
| 6.1 工作总结 | 第54页 |
| 6.2 展望 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 附录 攻读硕士学位期间的工作成果 | 第59-60页 |
| 致谢 | 第60页 |
