| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 绪论 | 第10-21页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究目的及意义 | 第11-12页 |
| 1.2 文献综述 | 第12-18页 |
| 1.2.1 网络购物行为影响因素研究现状 | 第12-15页 |
| 1.2.2 网络购买行为预测研究现状 | 第15-17页 |
| 1.2.3 国内外文献研究评述 | 第17-18页 |
| 1.3 研究的结构框架和方法思想 | 第18-20页 |
| 1.3.1 研究结构框架 | 第18-20页 |
| 1.3.2 研究方法和思想 | 第20页 |
| 1.4 本章小结 | 第20-21页 |
| 2 基于Extra-trees算法的特征选择方法 | 第21-30页 |
| 2.1 机器学习的本质和分类算法 | 第21-22页 |
| 2.2 机器学习中的特征概述 | 第22-26页 |
| 2.2.1 特征的基本理论以及选择流程 | 第22-24页 |
| 2.2.2 特征选择算法的搜索策略 | 第24-25页 |
| 2.2.3 特征选择算法的评价方法 | 第25-26页 |
| 2.3 Extra-trees算法概述 | 第26-29页 |
| 2.3.1 基于树模型的机器学习算法 | 第26-28页 |
| 2.3.2 Extra-trees算法的基本思想和步骤 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 3 网络购买行为预测模型的特征构造和选择 | 第30-45页 |
| 3.1 原始数据和预测目标介绍 | 第30-35页 |
| 3.1.1 原始数据及其可视化描述 | 第30-33页 |
| 3.1.2 预测目标和建模思想 | 第33-35页 |
| 3.2 网络购买行为预测模型的特征构造 | 第35-40页 |
| 3.2.1 基础特征的构造 | 第35-37页 |
| 3.2.2 组合特征的构造 | 第37-38页 |
| 3.2.3 衍生特征的构造 | 第38-40页 |
| 3.3 网络购买行为预测模型的特征选择 | 第40-44页 |
| 3.3.1 特征选择前的样本采样 | 第40-41页 |
| 3.3.2 特征选择结果展示 | 第41-43页 |
| 3.3.3 特征选择结果解释 | 第43-44页 |
| 3.4 本章小结 | 第44-45页 |
| 4 基于算法融合的网络购买行为预测模型的构建 | 第45-59页 |
| 4.1 算法学习前的准备工作 | 第45-48页 |
| 4.1.1 模型评估指标介绍 | 第45-46页 |
| 4.1.2 训练集和测试集的构建 | 第46-47页 |
| 4.1.3 模型调参方法介绍 | 第47-48页 |
| 4.2 基于逻辑斯特回归算法的预测模型构建 | 第48-52页 |
| 4.2.1 逻辑斯特回归算法概述 | 第48-50页 |
| 4.2.2 模型建立过程和预测结果 | 第50-52页 |
| 4.3 基于支持向量机算法的预测模型构建 | 第52-55页 |
| 4.3.1 支持向量机算法概述 | 第52-54页 |
| 4.3.2 模型建立过程和预测结果 | 第54-55页 |
| 4.4 基于算法融合的预测模型构建 | 第55-57页 |
| 4.4.1 算法融合的思想和方法 | 第55-56页 |
| 4.4.2 混合模型的建立过程和预测样本预测 | 第56-57页 |
| 4.5 三种模型预测效果对比和解释 | 第57-58页 |
| 4.6 本章小结 | 第58-59页 |
| 5 总结与展望 | 第59-61页 |
| 5.1 全文总结 | 第59页 |
| 5.2 研究展望 | 第59-61页 |
| 参考文献 | 第61-66页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第66-68页 |
| 学位论文数据集 | 第68页 |