| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-12页 |
| 1.1 研究背景 | 第9页 |
| 1.2 研究目的和意义 | 第9-10页 |
| 1.3 研究内容、方法和技术路线 | 第10-12页 |
| 1.3.1 研究内容与方法 | 第10-11页 |
| 1.3.2 技术路线图 | 第11-12页 |
| 第二章 文献综述和相关理论 | 第12-21页 |
| 2.1 国内外文献综述 | 第12-13页 |
| 2.2 相关理论 | 第13-21页 |
| 2.2.1 XGBoost | 第13-15页 |
| 2.2.2 LightGBM | 第15-18页 |
| 2.2.3 CatBoost | 第18-21页 |
| 第三章 数据来源和特征工程 | 第21-34页 |
| 3.1 数据来源 | 第21-23页 |
| 3.1.1 数据说明 | 第21-23页 |
| 3.1.2 选择该数据的原因 | 第23页 |
| 3.2 数据分析 | 第23-34页 |
| 3.2.1 数据表基本分析 | 第23-27页 |
| 3.2.2 数据处理 | 第27-29页 |
| 3.2.3 特征工程 | 第29-34页 |
| 第四章 评价指标与模型预测 | 第34-48页 |
| 4.1 模型评价指标 | 第34页 |
| 4.1.1 MSE | 第34页 |
| 4.1.2 MAE | 第34页 |
| 4.1.3 RMSE | 第34页 |
| 4.2 基于单模型的Gstore消费预测 | 第34-44页 |
| 4.2.1 基于XGBoost的 Gstore消费预测模型 | 第34-38页 |
| 4.2.2 基于LightGBM的消费预测模型 | 第38-41页 |
| 4.2.3 基于CatBoost的消费预测模型 | 第41-44页 |
| 4.3 基于混合模型的Gstore消费预测 | 第44-46页 |
| 4.3.1 XGBoost模型同类叠加 | 第45页 |
| 4.3.2 模型LightGBM和 CatBoost,XGBoost组合叠加 | 第45-46页 |
| 4.4 模型对比研究 | 第46-48页 |
| 第五章 结论 | 第48-50页 |
| 5.1 主要研究结果 | 第48-49页 |
| 5.1.1 消费分析是大势所趋 | 第48页 |
| 5.1.2 特征工程具有重要意义 | 第48-49页 |
| 5.1.3 混合分类模型具有精度优势 | 第49页 |
| 5.2 研究的不足与展望 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 附录 | 第53-65页 |
| 致谢 | 第65-66页 |