基于机器学习理论的电商用户行为研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 课题研究背景 | 第8-9页 |
| 1.2 课题研究意义 | 第9-10页 |
| 1.3 用户行为研究现状 | 第10-11页 |
| 1.4 主要研究内容 | 第11-12页 |
| 1.5 论文组织架构 | 第12-13页 |
| 1.6 本章小结 | 第13-14页 |
| 第2章 机器学习基础理论 | 第14-28页 |
| 2.1 引言 | 第14-15页 |
| 2.2 机器学习算法 | 第15-20页 |
| 2.2.1 决策树算法 | 第15-16页 |
| 2.2.2 支持向量机算法 | 第16-19页 |
| 2.2.3 逻辑回归算法 | 第19-20页 |
| 2.3 集成学习 | 第20-24页 |
| 2.3.1 随机森林算法 | 第21页 |
| 2.3.2 XGBoost算法 | 第21-24页 |
| 2.4 蚁群算法 | 第24-26页 |
| 2.5 本章小结 | 第26-28页 |
| 第3章 电商用户行为数据分析 | 第28-42页 |
| 3.1 引言 | 第28页 |
| 3.2 初始数据分析 | 第28-36页 |
| 3.2.1 数据来源及分析工具 | 第29-31页 |
| 3.2.2 各数据集分析 | 第31-36页 |
| 3.3 时间维度分析 | 第36-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 特征处理及算法优化 | 第42-58页 |
| 4.1 引言 | 第42页 |
| 4.2 特征处理 | 第42-49页 |
| 4.2.1 特征提取 | 第42-47页 |
| 4.2.1.1 特征分类 | 第43-44页 |
| 4.2.1.2 特征预处理 | 第44-47页 |
| 4.2.2 特征处理过程 | 第47-49页 |
| 4.3 算法模型及优化 | 第49-56页 |
| 4.3.1 xgboost算法模型 | 第50-52页 |
| 4.3.2 结合策略 | 第52-53页 |
| 4.3.3 蚁群算法调优 | 第53-56页 |
| 4.4 本章小结 | 第56-58页 |
| 第5章 实验与模型评估 | 第58-66页 |
| 5.1 引言 | 第58-59页 |
| 5.2 实验 | 第59-61页 |
| 5.2.1 实验条件 | 第59-60页 |
| 5.2.2 实验评估标准 | 第60-61页 |
| 5.3 实验结果对比分析 | 第61-64页 |
| 5.4 本章小结 | 第64-66页 |
| 第6章 结论与展望 | 第66-68页 |
| 6.1 结论 | 第66页 |
| 6.2 下一步研究方向 | 第66-68页 |
| 参考文献 | 第68-71页 |
| 作者简介及在校发表论文 | 第71-72页 |
| 致谢 | 第72页 |
