电商平台的用户消费行为分析预测模型
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-12页 |
| 1.1 研究背景 | 第8页 |
| 1.2 研究意义 | 第8-9页 |
| 1.3 国内外研究现状 | 第9-10页 |
| 1.4 研究目的 | 第10页 |
| 1.5 研究内容 | 第10-12页 |
| 2 数据预处理 | 第12-17页 |
| 2.1 缺失值处理 | 第12-13页 |
| 2.2 数据标准化 | 第13页 |
| 2.3 主成分分析 | 第13-16页 |
| 2.3.1 主成分分析的基本思想 | 第14页 |
| 2.3.2 主成分分析的数学模型 | 第14-15页 |
| 2.3.3 主成分分析的几何解释 | 第15-16页 |
| 2.4 本章小结 | 第16-17页 |
| 3 朴素贝叶斯 | 第17-21页 |
| 3.1 朴素贝叶斯算法的数学原理 | 第17-18页 |
| 3.2 朴素贝叶斯算法的参数估计 | 第18页 |
| 3.3 朴素贝叶斯算法的学习与分类过程 | 第18-19页 |
| 3.4 拉普拉斯平滑 | 第19页 |
| 3.5 本章小结 | 第19-21页 |
| 4 决策树 | 第21-29页 |
| 4.1 CART树 | 第21-24页 |
| 4.1.1 基尼指数 | 第22页 |
| 4.1.2 条件基尼指数 | 第22页 |
| 4.1.3 基尼增益 | 第22-23页 |
| 4.1.4 CART树生成 | 第23-24页 |
| 4.2 条件推断树 | 第24页 |
| 4.3 梯度提升树 | 第24-28页 |
| 4.3.1 梯度提升树的基本原理 | 第24-25页 |
| 4.3.2 梯度提升树的负梯度拟合 | 第25页 |
| 4.3.3 梯度提升树的学习算法 | 第25-28页 |
| 4.4 梯度提升树的正则化 | 第28页 |
| 4.5 本章小结 | 第28-29页 |
| 5 用户消费行为分析预测的实现 | 第29-41页 |
| 5.1 数据预处理 | 第29-34页 |
| 5.1.1 实验数据集 | 第29-30页 |
| 5.1.2 异常数据处理 | 第30-32页 |
| 5.1.3 特征提取 | 第32-34页 |
| 5.2 主成分分析 | 第34-36页 |
| 5.3 模型实现 | 第36-40页 |
| 5.3.1 模型评价标准 | 第36-37页 |
| 5.3.2 模型实现 | 第37-40页 |
| 5.4 本章小结 | 第40-41页 |
| 6 总结与展望 | 第41-42页 |
| 6.1 本文总结 | 第41页 |
| 6.2 进一步展望 | 第41-42页 |
| 致谢 | 第42-43页 |
| 参考文献 | 第43-44页 |
