金融文本理解的特征选择研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 课题研究背景及意义 | 第10-12页 |
| 1.2 课题研究现状 | 第12-15页 |
| 1.2.1 文本挖掘的现状研究 | 第12-13页 |
| 1.2.2 特征选择的现状研究 | 第13-15页 |
| 1.3 课题研究工作 | 第15页 |
| 1.4 论文组织安排 | 第15-17页 |
| 第二章 WEB金融文本挖掘 | 第17-25页 |
| 2.1 WEB文本挖掘 | 第17-20页 |
| 2.2 WEB金融数据 | 第20-21页 |
| 2.2.1 Web金融数据特点 | 第20-21页 |
| 2.2.2 Web金融数据采集 | 第21页 |
| 2.3 WEB文本的特征表示 | 第21-23页 |
| 2.4 WEB文本分类 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 相关学习算法和特征选择算法简介 | 第25-43页 |
| 3.1 支持向量机 | 第25-30页 |
| 3.1.1 最大间隔原理 | 第25-27页 |
| 3.1.2 结构风险最小化原理 | 第27页 |
| 3.1.3 支持向量分类机 | 第27-30页 |
| 3.2 随机森林 | 第30-34页 |
| 3.2.1 分类回归树(CART) | 第30-32页 |
| 3.2.2 随机森林定义及步骤 | 第32-33页 |
| 3.2.3 随机森林特点 | 第33-34页 |
| 3.3 特征选择 | 第34-41页 |
| 3.3.1 特征选择的一般过程 | 第34-37页 |
| 3.3.2 特征选择算法分类 | 第37-41页 |
| 3.4 本章小结 | 第41-43页 |
| 第四章 基于组合的特征选择方法 | 第43-59页 |
| 4.1 SVM-RFE和RF特征选择 | 第44-46页 |
| 4.1.1 SVM-RFE | 第44-45页 |
| 4.1.2 随机森林特征选择 | 第45-46页 |
| 4.2 基于组合的特征选择算法 | 第46-48页 |
| 4.3 基于组合和基于单个特征选择算法比较 | 第48-56页 |
| 4.3.1 实验数据来源及说明 | 第48-49页 |
| 4.3.2 特征预处理 | 第49页 |
| 4.3.3 实验流程 | 第49-56页 |
| 4.4 特征子集大小的确定 | 第56-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第五章 总结和展望 | 第59-61页 |
| 5.1 全文总结 | 第59页 |
| 5.2 存在的问题和进一步的研究工作 | 第59-61页 |
| 参考文献 | 第61-67页 |
| 致谢 | 第67页 |
