分类器在员工离职预测中的应用
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第12-16页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.3 本文的主要工作和创新点 | 第14-15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 第2章 相关技术概述 | 第16-23页 |
| 2.1 数据挖掘 | 第16-18页 |
| 2.1.1 数据挖掘的定义 | 第16页 |
| 2.1.2 数据挖掘的作用及功能 | 第16-17页 |
| 2.1.3 数据挖掘的一般过程 | 第17-18页 |
| 2.1.4 数据挖掘的方法与选择 | 第18页 |
| 2.2 数据清洗 | 第18-20页 |
| 2.2.1 数据质量问题 | 第19页 |
| 2.2.2 数据合理化 | 第19-20页 |
| 2.3 非平衡数据集 | 第20-23页 |
| 2.3.1 非均衡数据集概念 | 第20-21页 |
| 2.3.2 代价敏感学习 | 第21页 |
| 2.3.3 数据抽样 | 第21-23页 |
| 第3章 决策树的基本理论 | 第23-31页 |
| 3.1 决策树的基本概念及常用公式 | 第23-24页 |
| 3.1.1 决策树基本概念 | 第23页 |
| 3.1.2 决策树常用公式 | 第23-24页 |
| 3.2 决策树常见算法 | 第24-25页 |
| 3.2.1 ID3算法 | 第25页 |
| 3.2.2 C4.5算法 | 第25页 |
| 3.3 决策树的构造 | 第25-26页 |
| 3.4 决策树剪枝 | 第26-28页 |
| 3.4.1 前剪枝 | 第26-27页 |
| 3.4.2 后剪枝 | 第27-28页 |
| 3.5 集成算法思想 | 第28-31页 |
| 3.5.1 bagging算法 | 第29页 |
| 3.5.2 boosting算法 | 第29-31页 |
| 第4章 数据准备 | 第31-47页 |
| 4.1 数据说明 | 第31-34页 |
| 4.1.1 数据集来源 | 第31页 |
| 4.1.2 数据集字段说明 | 第31-34页 |
| 4.2 数据预处理模块 | 第34-43页 |
| 4.2.1 数据预处理的必要性 | 第34-35页 |
| 4.2.2 引入新的属性相关性标准 | 第35-38页 |
| 4.2.3 数据预处理方法 | 第38-40页 |
| 4.2.4 处理后的数据集字段 | 第40-43页 |
| 4.3 数据集转换模块 | 第43页 |
| 4.4 实验验证 | 第43-47页 |
| 4.4.1 实验测试环境 | 第43-44页 |
| 4.4.2 实验评价标准 | 第44页 |
| 4.4.3 实验及结果分析 | 第44-47页 |
| 第5章 员工离职预测 | 第47-62页 |
| 5.1 系统实现模型 | 第47页 |
| 5.2 算法优化 | 第47-49页 |
| 5.2.1 改进属性选择标准 | 第47-48页 |
| 5.2.2 剪枝算法 | 第48页 |
| 5.2.3 组合分类器 | 第48-49页 |
| 5.3 算法实现 | 第49-54页 |
| 5.3.1 ID3和C4.5的实现 | 第49-51页 |
| 5.3.2 改进后算法实现 | 第51-54页 |
| 5.4 模型可视化 | 第54-55页 |
| 5.5 实验验证 | 第55-62页 |
| 5.5.1 实验测试环境及评价标准 | 第55页 |
| 5.5.2 实验参数介绍 | 第55页 |
| 5.5.3 实验结果及分析 | 第55-62页 |
| 第6章 总结和展望 | 第62-64页 |
| 参考文献 | 第64-67页 |
| 致谢 | 第67-68页 |
| 攻读硕士期间论文发表情况 | 第68页 |
