| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第19-23页 |
| 1.1 选题背景 | 第19页 |
| 1.2 研究意义 | 第19-20页 |
| 1.3 研究内容与创新点 | 第20-23页 |
| 1.3.1 研究内容及论文结构 | 第20-21页 |
| 1.3.2 技术路线图 | 第21-22页 |
| 1.3.3 研究方法 | 第22页 |
| 1.3.4 创新点 | 第22-23页 |
| 第2章 相关理论及国内外研究现状 | 第23-33页 |
| 2.1 B2C环境中的退货问题研究现状 | 第23-27页 |
| 2.1.1 退货与退货政策 | 第23-24页 |
| 2.1.2 退货影响因素研究 | 第24-26页 |
| 2.1.3 退货率预测 | 第26-27页 |
| 2.2 分析技术 | 第27-29页 |
| 2.2.1 Logistic回归模型 | 第27页 |
| 2.2.2 决策树 | 第27-28页 |
| 2.2.3 人工神经网络 | 第28页 |
| 2.2.4 梯度提升算法 | 第28-29页 |
| 2.3 预测精度评价指标 | 第29-31页 |
| 2.3.1 混淆矩阵 | 第29-31页 |
| 2.3.2 ROC曲线 | 第31页 |
| 2.4 实证软件 | 第31页 |
| 2.5 研究评述 | 第31-32页 |
| 2.6 本章小结 | 第32-33页 |
| 第3章 数据预处理和探索性分析 | 第33-58页 |
| 3.1 数据来源 | 第33-35页 |
| 3.2 数据探索和可视化分析 | 第35-42页 |
| 3.2.1 数据中数值型变量的统计特性概览 | 第35-39页 |
| 3.2.2 数据中分类型变量的描述性统计 | 第39-42页 |
| 3.3 数据预处理 | 第42-57页 |
| 3.3.1 缺失值处理 | 第42-45页 |
| 3.3.2 变量选择与重构 | 第45-56页 |
| 3.3.3 噪声数据处理 | 第56页 |
| 3.3.4 数据规范化 | 第56页 |
| 3.3.5 变量相关性分析 | 第56-57页 |
| 3.4 本章小结 | 第57-58页 |
| 第4章 B2C环境中服装类产品的退货率影响因素分析 | 第58-69页 |
| 4.1 模型构建过程 | 第58页 |
| 4.2 变量准备和处理 | 第58-59页 |
| 4.3 Logistic显著性分析 | 第59-62页 |
| 4.4 变量重要性分析 | 第62-66页 |
| 4.4.1 Logistic回归 | 第62页 |
| 4.4.2 CART回归与分类树 | 第62-64页 |
| 4.4.3 神经网络分析 | 第64-65页 |
| 4.4.4 GBM算法 | 第65页 |
| 4.4.5 Xgboost算法 | 第65-66页 |
| 4.5 结果与讨论 | 第66-67页 |
| 4.6 本章小节 | 第67-69页 |
| 第5章 B2C环境中服装类产品的退货率预测 | 第69-79页 |
| 5.1 模型构建 | 第69-70页 |
| 5.2 数据准备 | 第70页 |
| 5.3 退货率预测 | 第70-78页 |
| 5.3.1 模型训练阶段 | 第70-73页 |
| 5.3.2 模型测试阶段 | 第73-75页 |
| 5.3.3 模型验证阶段 | 第75-78页 |
| 5.4 本章小结 | 第78-79页 |
| 第6章 结论与展望 | 第79-82页 |
| 6.1 研究成果 | 第79-81页 |
| 6.2 研究展望 | 第81-82页 |
| 参考文献 | 第82-86页 |
| 附录 | 第86-99页 |
| 附录1 数据处理阶段R语言代码 | 第86-91页 |
| 附录2 构建退货率预测及影响因素模型时所采用的R语言代码 | 第91-99页 |
| 攻读硕士期间发表的学术论文 | 第99-100页 |
| 致谢 | 第100-101页 |
| 大摘要 | 第101-105页 |