MOOC用户流失率的统计建模和预测技术的研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 课题背景及研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 国外研究现状 | 第10页 |
| 1.2.2 国内研究现状 | 第10-12页 |
| 1.3 本文的主要内容及章节安排 | 第12-13页 |
| 第二章 机器学习的分类理论 | 第13-31页 |
| 2.1 特征提取 | 第13-14页 |
| 2.2 特征选择 | 第14-17页 |
| 2.2.1 Relief特征选择算法 | 第15-16页 |
| 2.2.2 主成分分析法 | 第16-17页 |
| 2.3 分类模型 | 第17-27页 |
| 2.3.1 决策树模型 | 第18-20页 |
| 2.3.2 支持向量机模型 | 第20-23页 |
| 2.3.3 梯度提升决策树模型 | 第23-26页 |
| 2.3.4 随机森林模型 | 第26-27页 |
| 2.4 模型评价标准 | 第27-29页 |
| 2.4.1 通用评价标准 | 第27-29页 |
| 2.4.2 AUC标准 | 第29页 |
| 2.5 本章小结 | 第29-31页 |
| 第三章 MOOC用户流失率的统计建模和预测分析 | 第31-45页 |
| 3.1 数据集分析 | 第31-34页 |
| 3.1.1 数据集描述 | 第31-32页 |
| 3.1.2 数据集分析 | 第32-34页 |
| 3.2 特征提取与特征选择 | 第34-41页 |
| 3.2.1 数据去噪 | 第34-35页 |
| 3.2.2 第一类特征 | 第35-36页 |
| 3.2.3 第二类特征 | 第36-38页 |
| 3.2.4 第三类特征 | 第38-39页 |
| 3.2.5 特征选择结果 | 第39-41页 |
| 3.3 模型参数适配 | 第41-42页 |
| 3.4 模型训练与结果分析 | 第42-45页 |
| 第四章 基于分类器权重的改进预测模型 | 第45-51页 |
| 4.1 分类器权重思想 | 第45-46页 |
| 4.2 预测模型的改进算法 | 第46-49页 |
| 4.2.1 多分类器加权模型 | 第46-47页 |
| 4.2.2 带有可信集合的改进模型 | 第47-49页 |
| 4.3 本章小结 | 第49-51页 |
| 第五章 总结与展望 | 第51-53页 |
| 5.1 工作总结 | 第51-52页 |
| 5.2 对未来的展望 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 致谢 | 第56-57页 |
| 作者攻读学位期间发表的学术论文目录 | 第57页 |
