| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第1章 引言 | 第8-15页 |
| 1.1 课题来源及内容 | 第8页 |
| 1.2 课题背景及其意义 | 第8-11页 |
| 1.3 研究现状 | 第11-12页 |
| 1.4 研究内容 | 第12-13页 |
| 1.5 可行性分析及创新点 | 第13-14页 |
| 1.6 全文组织结构 | 第14-15页 |
| 第2章 基础算法综述 | 第15-29页 |
| 2.1 Boosting Tree提升树算法推导 | 第15-21页 |
| 2.1.1 学习目标函数 | 第15-17页 |
| 2.1.2 梯度树提升（Gradient Tree Boosting） | 第17-20页 |
| 2.1.3 Shrinkage和列二次采样 | 第20-21页 |
| 2.2 分割搜寻算法 | 第21-25页 |
| 2.2.1 精确贪心算法 | 第21页 |
| 2.2.2 近似算法 | 第21-22页 |
| 2.2.3 加权分位数略图 | 第22-23页 |
| 2.2.4 稀疏感知分割搜索 | 第23-25页 |
| 2.3 Xgboost系统设计与性能比较 | 第25-29页 |
| 2.3.1 并行学习的列块 | 第25页 |
| 2.3.2 缓存感知访问 | 第25-26页 |
| 2.3.3 核外计算 | 第26页 |
| 2.3.4 与传统的GBDT算法的区别 | 第26-29页 |
| 第3章 探索性数据分析与可视化 | 第29-57页 |
| 3.1 探索性数据分析 | 第29-32页 |
| 3.1.1 探索性数据分析的特点 | 第30-31页 |
| 3.1.2 探索性数据分析内容 | 第31页 |
| 3.1.3 探索性数据分析的考察方法 | 第31-32页 |
| 3.2 数据可视化 | 第32-34页 |
| 3.2.1 数据可视化的意义 | 第33页 |
| 3.2.2 数据挖掘与可视化技术 | 第33-34页 |
| 3.3 探索性数据分析及可视化实现 | 第34-57页 |
| 3.3.1 数据来源 | 第34-35页 |
| 3.3.2 分类特征描述 | 第35-37页 |
| 3.3.3 数据特征分析可视化 | 第37-57页 |
| 第4章 特征工程 | 第57-71页 |
| 4.1 特征提取 | 第58-63页 |
| 4.1.1 数据清洗 | 第58-59页 |
| 4.1.2 特征分类 | 第59-60页 |
| 4.1.3 特征的预处理 | 第60-63页 |
| 4.2 特征选择 | 第63-67页 |
| 4.3 特征构建 | 第67页 |
| 4.4 特征工程过程 | 第67-71页 |
| 第5章 模型优化与实验对比 | 第71-88页 |
| 5.1 实验描述 | 第71-73页 |
| 5.1.1 实验条件 | 第71页 |
| 5.1.2 评估标准 | 第71-73页 |
| 5.2 模型参数及优化 | 第73-82页 |
| 5.2.1 Xgboost的模型参数 | 第73-77页 |
| 5.2.2 偏置-方差的折衷 | 第77页 |
| 5.2.3 控制过拟合 | 第77-78页 |
| 5.2.4 处理不平衡数据 | 第78页 |
| 5.2.5 超参数设置 | 第78-80页 |
| 5.2.6 交叉验证及独热编码 | 第80-82页 |
| 5.3 模型优化与对比 | 第82-88页 |
| 第6章 结论与展望 | 第88-89页 |
| 6.1 结论 | 第88页 |
| 6.2 进一步工作的方向 | 第88-89页 |
| 致谢 | 第89-90页 |
| 参考文献 | 第90-92页 |