基于游客属性信息的消费因素数据挖掘
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-13页 |
| 1.1 研究背景和意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 主要研究内容 | 第11-12页 |
| 1.4 本文组织结构 | 第12-13页 |
| 第二章 相关技术介绍 | 第13-27页 |
| 2.1 决策树 | 第13-19页 |
| 2.1.1 算法简介 | 第13页 |
| 2.1.2 决策树方法 | 第13-19页 |
| 2.1.2.1 ID3算法 | 第13-16页 |
| 2.1.2.2 C4.5 算法 | 第16-17页 |
| 2.1.2.3 CART算法 | 第17-19页 |
| 2.2 模型组合方法 | 第19-21页 |
| 2.2.1 模型组合概念 | 第19-21页 |
| 2.3 随机森林 | 第21-24页 |
| 2.3.1 随机采样 | 第22-24页 |
| 2.3.2 随机森林的随机性分析 | 第24页 |
| 2.4 随机森林数学理论 | 第24-26页 |
| 2.4.1 相关概念 | 第24-26页 |
| 2.4.2 随机森林的收敛性 | 第26页 |
| 2.4.3 泛化误差 | 第26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 随机森林在游客消费影响因素分析中的应用 | 第27-47页 |
| 3.1 数据的采集 | 第27页 |
| 3.2 数据的预处理 | 第27-38页 |
| 3.2.1 处理缺失的属性值 | 第28-29页 |
| 3.2.2 处理冗余数据 | 第29页 |
| 3.2.3 数据转换 | 第29-31页 |
| 3.2.4 删除样本中的异常样本 | 第31-32页 |
| 3.2.5 对不平衡数据的处理方法 | 第32-38页 |
| 3.3 随机森林模型参数的选择 | 第38-40页 |
| 3.3.1 mtry值的设定 | 第38-39页 |
| 3.3.2 ntree值的设定 | 第39-40页 |
| 3.4 建立初步的分类模型 | 第40-46页 |
| 3.4.1 模型性能分析 | 第40页 |
| 3.4.2 游客消费影响因素分析 | 第40-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第四章 改进的随机森林算法 | 第47-72页 |
| 4.1 影响模型性能的因素分析 | 第48-53页 |
| 4.1.1 构建决策树的属性个数 | 第48-50页 |
| 4.1.2 模型中决策树的个数 | 第50-51页 |
| 4.1.3 构建模型的两个随机性 | 第51-53页 |
| 4.2 改进算法基本思想 | 第53页 |
| 4.3 属性度量方法 | 第53-55页 |
| 4.3.1 卡方检验 | 第53-54页 |
| 4.3.2 互信息 | 第54-55页 |
| 4.4 改进的特征选择算法 | 第55-56页 |
| 4.5 算法相关接口与部分代码 | 第56-60页 |
| 4.6 实验与分析 | 第60-71页 |
| 4.6.1 特征空间的划分 | 第60页 |
| 4.6.2 算法参数的选取 | 第60-64页 |
| 4.6.3 改进算法与原始算法的分类性能比较 | 第64-66页 |
| 4.6.4 改进模型的稳定性研究 | 第66-68页 |
| 4.6.5 模型的强度与相关度研究 | 第68-71页 |
| 4.6.6 改进算法的复杂度分析 | 第71页 |
| 4.7 本章小结 | 第71-72页 |
| 第五章 总结与展望 | 第72-73页 |
| 5.1 本文工作总结 | 第72页 |
| 5.2 未来展望 | 第72-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-77页 |
| 攻读硕士学位期间取得的成果 | 第77-78页 |
