| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 第一章 绪论 | 第7-13页 |
| 1.1 研究背景 | 第7-8页 |
| 1.1.1 研究背景及意义 | 第7页 |
| 1.1.2 本课题在国内外的发展现状 | 第7-8页 |
| 1.2 研究内容 | 第8-10页 |
| 1.2.1 课题来源及研究目标 | 第8-9页 |
| 1.2.2 拟解决的关键问题 | 第9页 |
| 1.2.3 主要研究内容 | 第9-10页 |
| 1.3 本文体系结构 | 第10-11页 |
| 1.4 本章小结 | 第11-13页 |
| 第二章 相关技术与基础理论 | 第13-23页 |
| 2.1 机器学习 | 第13-20页 |
| 2.1.1 机器学习的概念 | 第13页 |
| 2.1.2 机器学习的分类 | 第13页 |
| 2.1.3 机器学习建模的三种方法 | 第13-20页 |
| 2.2 数据挖掘与机器学习 | 第20-21页 |
| 2.2.1 数据挖掘的流程介绍 | 第20-21页 |
| 2.2.2 数据挖掘过程中机器学习的应用 | 第21页 |
| 2.3 本章小结 | 第21-23页 |
| 第三章 实验的准备与样本的分析处理 | 第23-47页 |
| 3.1 实验环境 | 第23-24页 |
| 3.1.1 系统配置 | 第23页 |
| 3.1.2 开发语言 | 第23页 |
| 3.1.3 数据分析资源库 | 第23-24页 |
| 3.2 样本数据的描述 | 第24-27页 |
| 3.2.1 数据集的来源 | 第24-26页 |
| 3.2.2 用户采购行为分析 | 第26页 |
| 3.2.3 订单信息分析 | 第26-27页 |
| 3.3 特征的分析 | 第27-39页 |
| 3.3.1 数据质量分析 | 第27-28页 |
| 3.3.2 数据特征分析 | 第28-39页 |
| 3.4 数据预处理 | 第39-45页 |
| 3.4.1 数据清洗 | 第39-40页 |
| 3.4.2 数据集成 | 第40页 |
| 3.4.3 数据转换 | 第40页 |
| 3.4.4 数据特征的初选与新特征的构建 | 第40-45页 |
| 3.5 本章小结 | 第45-47页 |
| 第四章 预测模型的构建与分析 | 第47-71页 |
| 4.1 模型构建的基本过程 | 第47-50页 |
| 4.1.1 模型的选择 | 第47-48页 |
| 4.1.2 模型的训练 | 第48-49页 |
| 4.1.3 模型的预测 | 第49页 |
| 4.1.4 模型的评估及参数的优化 | 第49-50页 |
| 4.2 利用LOGISTIC REGRESSION方法建模并对用户重购行为进行预测 | 第50-58页 |
| 4.2.1 建模的具体过程 | 第50-56页 |
| 4.2.2 利用模型预测用户再购买商品 | 第56-58页 |
| 4.3 利用XGBOOST方法建模并对用户重购行为进行预测 | 第58-63页 |
| 4.3.1 建模的具体过程 | 第58-62页 |
| 4.3.2 利用模型预测用户再购买商品 | 第62-63页 |
| 4.4 利用LIGHTGBM方法建模并对用户重购行为进行预测 | 第63-70页 |
| 4.4.1 建模的具体过程 | 第64-68页 |
| 4.4.2 利用模型预测用户再购买商品 | 第68-70页 |
| 4.5 本章小结 | 第70-71页 |
| 第五章 总结与展望 | 第71-73页 |
| 5.1 总结 | 第71-72页 |
| 5.2 问题和展望 | 第72-73页 |
| 参考文献 | 第73-75页 |
| 致谢 | 第75页 |
