| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-11页 |
| 1.1 课题研究背景 | 第8页 |
| 1.2 课题研究的意义及国内外研究状况 | 第8-9页 |
| 1.3 本文主要研究内容 | 第9页 |
| 1.4 本文组织结构 | 第9-11页 |
| 第二章 实验平台介绍 | 第11-17页 |
| 2.1 课题使用的实验平台概述 | 第11-14页 |
| 2.1.1 概述 | 第11页 |
| 2.1.2 实验平台实现的功能 | 第11-12页 |
| 2.1.3 实验平台的体系架构 | 第12-13页 |
| 2.1.4 平台特性 | 第13-14页 |
| 2.2 数据开发平台与算法平台 | 第14-16页 |
| 2.2.1 数据开发平台 | 第14-15页 |
| 2.2.2 算法平台 | 第15-16页 |
| 2.3 本章小结 | 第16-17页 |
| 第三章 数据处理与特征设计 | 第17-32页 |
| 3.1 本课题涉及的数据及评分目标 | 第17-18页 |
| 3.1.1 课题使用的数据表 | 第17-18页 |
| 3.1.2 目标评分方法 | 第18页 |
| 3.2 本课题涉及的数据处理方法 | 第18-21页 |
| 3.2.1 缺失值填充方法 | 第18页 |
| 3.2.2 数据归一化方法 | 第18-20页 |
| 3.2.3 数据离散化方法 | 第20-21页 |
| 3.3 本课题涉及的距离测度方法 | 第21-23页 |
| 3.4 本课题涉及的特征选择方法 | 第23-26页 |
| 3.4.1 特征选择方法概述 | 第23页 |
| 3.4.2 特征选择方法详细说明 | 第23-26页 |
| 3.5 待预测序列对的选取及特征变量设计 | 第26-31页 |
| 3.5.1 待预测序列对的选取方法 | 第26-27页 |
| 3.5.2 训练集，验证集及预测集的划分 | 第27页 |
| 3.5.3 候选集选取表设计 | 第27-29页 |
| 3.5.4 特征变量设计详细说明 | 第29-31页 |
| 3.6 本章小结 | 第31-32页 |
| 第四章 模型介绍与模型选择 | 第32-53页 |
| 4.1 机器学习中的相关概念 | 第32-33页 |
| 4.1.1 分类与聚类的概念 | 第32页 |
| 4.1.2 分类与聚类算法 | 第32-33页 |
| 4.1.3 监督学习与无监督学习 | 第33页 |
| 4.2 本文涉及算法的描述及其推导 | 第33-50页 |
| 4.2.1 梯度下降法与梯度上升法 | 第33-36页 |
| 4.2.2 Logistic回归 | 第36-37页 |
| 4.2.3 ID3与C4.5 决策树算法 | 第37-39页 |
| 4.2.4 CART分类回归树算法 | 第39-42页 |
| 4.2.5 Bagging提升算法 | 第42-43页 |
| 4.2.6 随机森林算法 | 第43-44页 |
| 4.2.7 提升方法AdaBoost与前向分步算法 | 第44-47页 |
| 4.2.8 提升树算法 | 第47-50页 |
| 4.3 本课题使用各算法结果之间比较 | 第50-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第五章 模型融合与模型评估 | 第53-59页 |
| 5.1 模型融合方法 | 第53-54页 |
| 5.1.1 串联融合方法 | 第53-54页 |
| 5.1.2 并联融合方法 | 第54页 |
| 5.2 模型评估方法 | 第54-58页 |
| 5.2.1 混淆矩阵与F1评分方法 | 第54-56页 |
| 5.2.2 ROC曲线与AUC面积评估方法 | 第56-58页 |
| 5.3 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-60页 |
| 6.1 本文总结 | 第59页 |
| 6.2 工作展望 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 致谢 | 第63页 |