基于机器学习的资产类商品估值系统的设计与实现
摘要 | 第5-6页 |
ABSTRACT | 第6-7页 |
第一章 绪论 | 第11-17页 |
1.1 课题研究背景 | 第11-12页 |
1.2 国内外研究现状 | 第12-14页 |
1.3 本研究主要内容和创新点 | 第14-15页 |
1.4 论文的组织结构 | 第15-17页 |
第二章 相关概念介绍 | 第17-33页 |
2.1 迁移学习 | 第17-18页 |
2.1.1 迁移学习概述 | 第17-18页 |
2.1.2 迁移学习的使用方法 | 第18页 |
2.2 卷积神经网络 | 第18-23页 |
2.2.1 卷积神经网络概述 | 第18-20页 |
2.2.2 卷积神经网络的结构 | 第20-21页 |
2.2.3 卷积神经网络VGGNet概述 | 第21-23页 |
2.3 自编码器 | 第23-24页 |
2.3.1 数据降维 | 第23页 |
2.3.2 自编码器概述 | 第23-24页 |
2.4 多层感知器 | 第24-29页 |
2.4.1 反向传播算法 | 第24-27页 |
2.4.2 感知器的概念与结构 | 第27-28页 |
2.4.3 多层感知器的概念与结构 | 第28-29页 |
2.5 集成学习 | 第29-32页 |
2.5.1 集成学习概述 | 第29-30页 |
2.5.2 选择性集成学习理论 | 第30-32页 |
2.6 本章小结 | 第32-33页 |
第三章 基于迁移学习的户型图分类研究 | 第33-49页 |
3.1 总体设计 | 第33-34页 |
3.2 户型图预处理 | 第34-39页 |
3.2.1 灰度化处理 | 第34-35页 |
3.2.2 墙体线分割 | 第35-38页 |
3.2.3 墙体线降噪 | 第38-39页 |
3.3 户型图特征提取 | 第39-40页 |
3.3.1 基于迁移学习的户型图特征提取原理 | 第39-40页 |
3.3.2 基于迁移学习的户型图特征提取实验 | 第40页 |
3.4 数据降维 | 第40-44页 |
3.4.1 浅层稀疏自编码器概述 | 第40-42页 |
3.4.2 栈式自编码器概述 | 第42-43页 |
3.4.3 基于栈式自编码器的数据降维实验 | 第43-44页 |
3.5 基于多层感知器的户型分类 | 第44-48页 |
3.5.1 多层感知器结构设计 | 第44-47页 |
3.5.2 基于多层感知器的户型分类实验 | 第47-48页 |
3.6 本章小结 | 第48-49页 |
第四章 基于选择性集成学习的房屋估值模型研究 | 第49-65页 |
4.1 实验数据 | 第49-51页 |
4.1.1 基础数据 | 第49-50页 |
4.1.2 周围配套数据 | 第50-51页 |
4.2 数据分析 | 第51-52页 |
4.2.1 分类特征描述 | 第51-52页 |
4.2.2 数量型特征描述 | 第52页 |
4.3 数据预处理 | 第52-57页 |
4.3.1 缺失值处理 | 第52-54页 |
4.3.2 异常值处理 | 第54-55页 |
4.3.3 归一化处理 | 第55-56页 |
4.3.4 对数化和标准化处理 | 第56页 |
4.3.5 热独编码 | 第56-57页 |
4.4 评价模型指标 | 第57-58页 |
4.5 回归模型构建 | 第58-62页 |
4.5.1 岭回归 | 第58-59页 |
4.5.2 随机森林 | 第59-60页 |
4.5.3 因子分解机 | 第60-61页 |
4.5.4 模型XGBoost | 第61-62页 |
4.6 基于选择性集成学习的回归模型构建 | 第62-63页 |
4.6.1 模型理论 | 第62-63页 |
4.6.2 基于选择性集成学习的回归模型实验 | 第63页 |
4.7 本章小结 | 第63-65页 |
第五章 总结与展望 | 第65-67页 |
5.1 研究总结 | 第65-66页 |
5.2 展望 | 第66-67页 |
参考文献 | 第67-71页 |
致谢 | 第71-73页 |
作者攻读学位期间发表的学术论文目录 | 第73页 |