| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究背景 | 第9页 |
| 1.1.1 新三板企业的发展迅速 | 第9页 |
| 1.1.2 机器学习的应用广泛 | 第9页 |
| 1.2 研究目的 | 第9-10页 |
| 1.3 研究意义 | 第10-11页 |
| 1.3.1 理论意义 | 第10-11页 |
| 1.3.2 实践意义 | 第11页 |
| 1.4 研究内容及研究方法 | 第11-12页 |
| 1.5 本文主要创新点 | 第12页 |
| 1.6 论文章节安排 | 第12-14页 |
| 第2章 理论概述与文献综述 | 第14-21页 |
| 2.1 概念界定 | 第14-15页 |
| 2.1.1 新三板上市公司 | 第14页 |
| 2.1.2 高管团队 | 第14页 |
| 2.1.3 机器学习 | 第14-15页 |
| 2.2 相关理论概述 | 第15-17页 |
| 2.2.1 委托代理理论 | 第15页 |
| 2.2.2 人力资本理论 | 第15-16页 |
| 2.2.3 高层梯队理论 | 第16-17页 |
| 2.3 文献综述 | 第17-19页 |
| 2.3.1 高管人口背景特征对企业绩效影响的国内外文献综述的研究 | 第17-18页 |
| 2.3.2 高管激励特征对企业绩效影响的国内外文献综述的研究 | 第18-19页 |
| 2.4 本章小结 | 第19-21页 |
| 第3章 预测模型选择以及方法介绍 | 第21-32页 |
| 3.1 多元线性回归算法 | 第21-22页 |
| 3.1.1 多元线性回归概述 | 第21页 |
| 3.1.2 多元线性回归模型的公式推导 | 第21-22页 |
| 3.2 多项式线性回归算法 | 第22-23页 |
| 3.3 支持向量回归机算法 | 第23-27页 |
| 3.3.1 支持向量机 | 第23-25页 |
| 3.3.2 支持向量回归机理论 | 第25-26页 |
| 3.3.3 支持向量回归机参数选择问题 | 第26-27页 |
| 3.4 XGBoost | 第27-32页 |
| 3.4.1 简介 | 第27-28页 |
| 3.4.2 算法原理 | 第28-29页 |
| 3.4.3 正则化 | 第29-30页 |
| 3.4.4 树的生成 | 第30-31页 |
| 3.4.5 优缺点 | 第31-32页 |
| 第4章 数据准备 | 第32-43页 |
| 4.1 数据来源 | 第32-33页 |
| 4.2 新三板上市公司基本情况分析 | 第33-34页 |
| 4.3 数据抽取 | 第34-43页 |
| 4.3.1 高管-绩效预测模型数据准备 | 第34-37页 |
| 4.3.2 控股子公司-绩效预测模型 | 第37-40页 |
| 4.3.3 子公司数量预测模型 | 第40-43页 |
| 第5章 模型的建立与评估 | 第43-61页 |
| 5.1 模型评估的方法与指标 | 第43-44页 |
| 5.1.1 交叉验证 | 第43页 |
| 5.1.2 模型评估指标 | 第43-44页 |
| 5.2 构建预测模型 | 第44-46页 |
| 5.3 模型评估 | 第46-57页 |
| 5.3.1 高管团队特征-绩效预测模型 | 第46-50页 |
| 5.3.2 控股子公司-绩效模型 | 第50-54页 |
| 5.3.3 子公司数量预测模型 | 第54-57页 |
| 5.4 模型应用 | 第57-61页 |
| 5.4.1 高管团队特征-绩效预测模型应用 | 第57-58页 |
| 5.4.2 控股子公司-绩效模型应用 | 第58-59页 |
| 5.4.3 子公司数量预测模型应用 | 第59-61页 |
| 第6章 总结与展望 | 第61-63页 |
| 6.1 总结 | 第61-62页 |
| 6.2 研究的不足 | 第62页 |
| 6.3 展望 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 致谢 | 第66-67页 |
| 在学期间的科研成果及发表的学术论文 | 第67页 |