特征选择下的集成学习模型商品需求预测及分仓研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 国内外相关领域研究现状 | 第12-16页 |
| 1.2.1 需求预测与库存决策研究现状 | 第12-13页 |
| 1.2.2 特征选择方法研究现状 | 第13-15页 |
| 1.2.3 集成学习研究现状 | 第15-16页 |
| 1.3 问题的提出 | 第16-17页 |
| 1.4 论文结构 | 第17-18页 |
| 1.5 本章小结 | 第18-19页 |
| 第二章 相关理论基础 | 第19-26页 |
| 2.1 特征工程相关理论 | 第19-21页 |
| 2.1.1 相关性分析基本理论 | 第19-20页 |
| 2.1.2 信息增益率特征选择方法 | 第20-21页 |
| 2.2 集成学习模型理论 | 第21-24页 |
| 2.2.1 集成学习的原理 | 第21-22页 |
| 2.2.2 随机森林算法原理 | 第22-23页 |
| 2.2.3 梯度提升算法原理 | 第23-24页 |
| 2.3 评价指标 | 第24-25页 |
| 2.3.1 回归算法评价指标 | 第24-25页 |
| 2.3.2 分类算法评价指标 | 第25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 特征选择方法 | 第26-40页 |
| 3.1 MCMR特征选择方法 | 第26-37页 |
| 3.1.1 特征选择方法建立 | 第26-29页 |
| 3.1.2 算法时间复杂度分析 | 第29页 |
| 3.1.3 实验设计及结果分析 | 第29-37页 |
| 3.2 rMCMR特征选择方法 | 第37-39页 |
| 3.2.1 特征选择算法建立 | 第37-39页 |
| 3.2.2 算法时间复杂度分析 | 第39页 |
| 3.3 本章小结 | 第39-40页 |
| 第四章 集成学习模型的商品需求预测与分仓 | 第40-49页 |
| 4.1 集成学习商品需求预测模型 | 第40-45页 |
| 4.1.1 商品特征选择 | 第40-44页 |
| 4.1.2 商品需求预测模型 | 第44-45页 |
| 4.2 商品分仓模型 | 第45-48页 |
| 4.2.1 分仓模型的建立 | 第45-47页 |
| 4.2.2 分仓成本优化 | 第47-48页 |
| 4.3 本章小结 | 第48-49页 |
| 第五章 实证分析研究 | 第49-66页 |
| 5.1 数据的收集 | 第49-50页 |
| 5.2 数据的预处理 | 第50-53页 |
| 5.2.1 特征提取 | 第51-52页 |
| 5.2.2 数据缺失值填补 | 第52页 |
| 5.2.3 数据集划分 | 第52-53页 |
| 5.3 商品需求预测 | 第53-63页 |
| 5.3.1 特征选择结果比较 | 第53-60页 |
| 5.3.2 预测结果分析与比较 | 第60-63页 |
| 5.4 分仓成本分析比较 | 第63-65页 |
| 5.5 本章小结 | 第65-66页 |
| 第六章 总结与展望 | 第66-69页 |
| 6.1 总结 | 第66-67页 |
| 6.2 展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 攻读学位期间的科研成果 | 第73-74页 |
| 致谢 | 第74页 |
