| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一节 绪论 | 第8-10页 |
| 1.1 研究背景 | 第8页 |
| 1.2 研究目的和意义 | 第8页 |
| 1.3 国内外研究现状 | 第8-10页 |
| 第二节 相关理论基础和算法 | 第10-25页 |
| 2.1 机器学习 | 第10-12页 |
| 2.1.1 机器学习概念 | 第10页 |
| 2.1.2 机器学习分类 | 第10-11页 |
| 2.1.3 机器学习的一般步骤 | 第11-12页 |
| 2.2 客户生命周期理论 | 第12-13页 |
| 2.3 机器学习算法理论 | 第13-22页 |
| 2.3.1 Logistic回归 | 第14-16页 |
| 2.3.2 支持向量机算法 | 第16-20页 |
| 2.3.3 随机森林（RandomForest）算法 | 第20-21页 |
| 2.3.4 AdaBoost算法 | 第21-22页 |
| 2.4 分类模型的评估指标 | 第22-24页 |
| 2.5 本节小结 | 第24-25页 |
| 第三节 实证研究 | 第25-44页 |
| 3.1 数据来源 | 第25-26页 |
| 3.2 分析框架 | 第26-27页 |
| 3.3 数据预处理 | 第27-29页 |
| 3.4 样本数据集同质性检验 | 第29-31页 |
| 3.5 基于机器学习方法的网站用户流存预测 | 第31-44页 |
| 3.5.1 支持向量机方法的应用 | 第31-33页 |
| 3.5.2 逻辑回归模型的应用 | 第33-38页 |
| 3.5.3 Adaboost算法的应用 | 第38-39页 |
| 3.5.4 随机森林模型的应用 | 第39-44页 |
| 第四节 本文总结与展望 | 第44-46页 |
| 4.1 本文小结 | 第44页 |
| 4.2 本文不足与展望 | 第44-46页 |
| 参考文献 | 第46-48页 |
| 附录一 | 第48-50页 |
| 附录二 | 第50-53页 |
| 致谢 | 第53-54页 |