基于集成学习的移动电商用户个性化推荐
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 问题的提出 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-15页 |
| 1.4 研究内容与工作 | 第15页 |
| 1.5 论文组织结构 | 第15-17页 |
| 第二章 集成学习算法与评价指标 | 第17-31页 |
| 2.1 集成学习 | 第17-28页 |
| 2.1.1 数据挖掘 | 第18-19页 |
| 2.1.2 随机森林 | 第19-23页 |
| 2.1.3 梯度提升决策树 | 第23-28页 |
| 2.2 分类算法的评价指标 | 第28-30页 |
| 2.2.1 混淆矩阵与F值 | 第28-29页 |
| 2.2.2 ROC曲线与AUC值 | 第29-30页 |
| 2.3 本章小结 | 第30-31页 |
| 第三章 实验数据准备 | 第31-41页 |
| 3.1 数据来源 | 第31-32页 |
| 3.2 数据预处理 | 第32-34页 |
| 3.3 特征设计与提取 | 第34-40页 |
| 3.3.1 特征设计 | 第34-39页 |
| 3.3.2 特征提取 | 第39-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 实验过程与结果分析 | 第41-57页 |
| 4.1 实验环境与工具 | 第41页 |
| 4.2 随机森林实验 | 第41-48页 |
| 4.2.1 随机森林实验过程 | 第41-47页 |
| 4.2.2 随机森林实验结果分析 | 第47-48页 |
| 4.3 梯度提升决策树实验 | 第48-56页 |
| 4.3.1 梯度提升决策树实验过程 | 第48-55页 |
| 4.3.2 梯度提升决策树实验结果分析 | 第55-56页 |
| 4.4 本章小结 | 第56-57页 |
| 结论与展望 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 附录 | 第62-68页 |
| 附录1 随机森林的Python代码 | 第62-65页 |
| 附录2 梯度提升决策树的Python代码 | 第65-68页 |
| 攻读硕士学位期间取得的研究成果 | 第68-69页 |
| 致谢 | 第69-70页 |
| 附件 | 第70页 |
