基于集成学习的二手房产数据分类研究
| 摘要 | 第6-7页 |
| abstract | 第7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景和意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 集成学习国内外研究现状 | 第10-13页 |
| 1.2.2 二手房数据研究现状 | 第13页 |
| 1.3 主要内容和结构安排 | 第13-15页 |
| 1.3.1 论文主要内容 | 第13-14页 |
| 1.3.2 论文结构安排 | 第14-15页 |
| 第2章 集成学习相关理论基础 | 第15-23页 |
| 2.1 集成学习 | 第15-18页 |
| 2.1.1 集成学习概述 | 第15页 |
| 2.1.2 Boosting方法概述 | 第15-16页 |
| 2.1.3 Bagging方法概述 | 第16-17页 |
| 2.1.4 集成算法 | 第17-18页 |
| 2.2 决策树与随机森林 | 第18-19页 |
| 2.2.1 决策树概述 | 第18-19页 |
| 2.2.2 随机森林概述 | 第19页 |
| 2.3 神经网络 | 第19-21页 |
| 2.3.1 神经网络概述 | 第19-21页 |
| 2.3.3 神经网络集成 | 第21页 |
| 2.4 深度森林 | 第21-23页 |
| 第3章 二手房产数据预处理 | 第23-35页 |
| 3.1 重复数据清洗 | 第24-26页 |
| 3.2 缺失值清洗 | 第26-29页 |
| 3.3 数据标准化 | 第29-31页 |
| 3.4 数据降维 | 第31-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第4章 二手房分类模型构建 | 第35-56页 |
| 4.1 基于随机森林的二手房分类模型构建 | 第35-45页 |
| 4.1.1 决策树模型构建 | 第35-41页 |
| 4.1.2 随机森林模型构建 | 第41-43页 |
| 4.1.3 随机森林模型测试结果 | 第43-45页 |
| 4.2 基于神经网络集成的二手房分类模型构建 | 第45-49页 |
| 4.3 基于深度森林的二手房分类模型构建 | 第49-55页 |
| 4.3.1 级联森林与多粒度扫描 | 第49-52页 |
| 4.3.2 深度森林模型构建及其改进 | 第52-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第5章 实验与分析 | 第56-62页 |
| 5.1 评价指标 | 第56-57页 |
| 5.2 实验结果及分析 | 第57-61页 |
| 5.2.1 随机森林模型实验结果及分析 | 第57-58页 |
| 5.2.2 神经网络集成模型实验结果及分析 | 第58-59页 |
| 5.2.3 深度森林模型实验结果及分析 | 第59-60页 |
| 5.2.4 综合分析 | 第60-61页 |
| 5.3 本章小结 | 第61-62页 |
| 结论与展望 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-70页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第70页 |
