基于机器学习的农资数据预测系统的设计与实现
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 研究背景与研究意义 | 第10-14页 |
| 1.1.1 数据预测系统的发展 | 第10-11页 |
| 1.1.2 农资经营领域的数据预测需求 | 第11-13页 |
| 1.1.3 基于机器学习的大数据预测 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.3 系统开发工具与数据 | 第16-17页 |
| 1.3.1 系统应用的软件工具 | 第16-17页 |
| 1.3.2 论文使用数据 | 第17页 |
| 1.4 研究问题和本文的组织结构 | 第17-20页 |
| 1.4.1 本文的研究问题 | 第17-18页 |
| 1.4.2 本文的组织结构 | 第18-20页 |
| 第2章 相关理论与技术 | 第20-24页 |
| 2.1 预测系统介绍 | 第20页 |
| 2.2 预测类算法 | 第20-22页 |
| 2.3 数据预处理 | 第22页 |
| 2.4 特征值处理 | 第22-24页 |
| 第3章 数据处理与特征值提取 | 第24-42页 |
| 3.1 农资数据的预处理 | 第24-33页 |
| 3.1.1 数据清洗 | 第24-27页 |
| 3.1.2 数据集成 | 第27-29页 |
| 3.1.3 数据转化 | 第29-31页 |
| 3.1.4 数据的整理与数据分割 | 第31-33页 |
| 3.2 农资数据的特征值处理 | 第33-41页 |
| 3.2.1 特征设计 | 第33-36页 |
| 3.2.2 特征提取 | 第36-39页 |
| 3.2.3 特征筛选 | 第39-41页 |
| 3.3 小结 | 第41-42页 |
| 第4章 预测模型的算法构建 | 第42-53页 |
| 4.1 预测模型中的算法应用 | 第42页 |
| 4.2 分类算法应用选择 | 第42-46页 |
| 4.2.1 逻辑回归 | 第42-45页 |
| 4.2.2 支持向量机(SVM) | 第45-46页 |
| 4.3 回归算法应用选择 | 第46-48页 |
| 4.3.1 线性回归 | 第46-47页 |
| 4.3.2 决策迭代树(GBDT) | 第47-48页 |
| 4.4 GBDT－LR模型在农资数据中的应用 | 第48-52页 |
| 4.5 小结 | 第52-53页 |
| 第5章 数据预测系统实现 | 第53-69页 |
| 5.1 系统功能分析 | 第53-55页 |
| 5.2 编译环境及语言 | 第55-56页 |
| 5.3 数据统计功能设计 | 第56-60页 |
| 5.4 预测系统功能设计 | 第60-63页 |
| 5.4.1 数据预处理和特征处理 | 第61-63页 |
| 5.4.2 模型的选择与结合 | 第63页 |
| 5.5 预测系统实现 | 第63-67页 |
| 5.5.1 统计功能实现 | 第63-65页 |
| 5.5.2 预测功能实现 | 第65-67页 |
| 5.6 结论 | 第67-69页 |
| 第6章 总结与展望 | 第69-72页 |
| 6.1 论文工作总结 | 第69-70页 |
| 6.2 后期工作展望 | 第70-72页 |
| 参考文献 | 第72-74页 |
| 作者简介 | 第74-75页 |
| 致谢 | 第75页 |
