基于模型算法的网络艺术考级研究分析
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-15页 |
| 1.1 课题研究背景及意义 | 第12-13页 |
| 1.2 研究现状 | 第13-14页 |
| 1.3 本文主要研究内容 | 第14-15页 |
| 第2章 艺术考级成绩的二分类算法 | 第15-38页 |
| 2.1 支持向量机理论及算法 | 第15-24页 |
| 2.2 逻辑回归模型 | 第24-29页 |
| 2.3 考级数据实验结果及其分析 | 第29-37页 |
| 2.4 本章小结 | 第37-38页 |
| 第3章 回归算法的艺术考级数据预测 | 第38-50页 |
| 3.1 支持向量机回归算法原理 | 第38-44页 |
| 3.2 CART算法原理 | 第44-46页 |
| 3.3 考级数据实验结果及其分析 | 第46-49页 |
| 3.4 本章小结 | 第49-50页 |
| 第4章 矩阵分解算法在机构评分中的应用 | 第50-55页 |
| 4.1 矩阵分解算法 | 第50-52页 |
| 4.2 实例分析 | 第52-54页 |
| 4.3 本章小结 | 第54-55页 |
| 第5章 艺术考级数据的可视化 | 第55-60页 |
| 5.1 浙江省艺术考级网络化区域 | 第55-56页 |
| 5.2 基于时间序列模型的传统模式考级人数的变化 | 第56-57页 |
| 5.3 2017年浙江省网络艺术考级专业分布情况 | 第57-58页 |
| 5.4 网络化考级报考级别和年龄的分布情况 | 第58-59页 |
| 5.5 本章小结 | 第59-60页 |
| 第6章 结论与展望 | 第60-62页 |
| 6.1 结论 | 第60页 |
| 6.2 主要创新点 | 第60页 |
| 6.3 展望 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-65页 |
