| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 课题研究背景与意义 | 第11-12页 |
| 1.2 相关研究与挑战 | 第12-13页 |
| 1.3 本文主要工作与结构 | 第13-15页 |
| 1.4 本章小结 | 第15-16页 |
| 第二章 工业数据机器学习基础 | 第16-26页 |
| 2.1 数据质量问题 | 第16-17页 |
| 2.1.1 不一致性 | 第16页 |
| 2.1.2 缺失值 | 第16-17页 |
| 2.1.3 重复数据 | 第17页 |
| 2.1.4 维数灾难 | 第17页 |
| 2.2 集成学习 | 第17-23页 |
| 2.2.1 Boosting算法 | 第18-21页 |
| 2.2.2 Bagging算法 | 第21-23页 |
| 2.3 随机森林 | 第23页 |
| 2.4 集成学习的结合策略 | 第23-24页 |
| 2.5 本章小结 | 第24-26页 |
| 第三章 分析框架与数据分析 | 第26-33页 |
| 3.1 整体分析框架 | 第26-27页 |
| 3.2 目标问题 | 第27页 |
| 3.3 数据描述 | 第27-30页 |
| 3.3.1 制造业产品生产过程 | 第28页 |
| 3.3.2 过程变量 | 第28-30页 |
| 3.4 特征工程 | 第30-31页 |
| 3.5 特征工程方案 | 第31-32页 |
| 3.6 本章小结 | 第32-33页 |
| 第四章 模型设计与评估 | 第33-48页 |
| 4.1 数据分布不平衡问题 | 第33-34页 |
| 4.2 数据不平衡解决策略 | 第34-36页 |
| 4.2.1 数据层面的策略 | 第34页 |
| 4.2.2 学习算法层面的策略 | 第34-35页 |
| 4.2.3 实际解决方案设计 | 第35-36页 |
| 4.3 不平衡梯度提升分类器 | 第36-42页 |
| 4.3.1 梯度增强树(XGBoost) | 第37-38页 |
| 4.3.2 代价敏感学习 | 第38-40页 |
| 4.3.3 基于代价敏感的梯度增强树CSXGBoost | 第40-42页 |
| 4.4 基于Dropout的梯度提升树模型(DART) | 第42-43页 |
| 4.5 模型评估 | 第43-47页 |
| 4.5.1 评估方法 | 第43-44页 |
| 4.5.2 性能度量 | 第44-46页 |
| 4.5.3 模型评估方案 | 第46-47页 |
| 4.6 本章小结 | 第47-48页 |
| 第五章 实验结果与评估 | 第48-62页 |
| 5.1 实验说明 | 第48页 |
| 5.2 数据整理 | 第48-53页 |
| 5.2.1 数据描述 | 第48-50页 |
| 5.2.2 数据分析 | 第50-53页 |
| 5.3 实验结果与分析 | 第53-61页 |
| 5.3.1 特征重要性分析 | 第53-54页 |
| 5.3.2 模型实验分析 | 第54-61页 |
| 5.4 本章小结 | 第61-62页 |
| 总结与展望 | 第62-64页 |
| 论文总结 | 第62-63页 |
| 展望 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 攻读硕士学位期间取得的研究成果 | 第67-69页 |
| 致谢 | 第69-71页 |
| 附件 | 第71页 |