基于大数据的大学生精准资助贫困等级研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及问题 | 第8页 |
| 1.2 研究意义 | 第8-9页 |
| 1.3 国内外研究现状 | 第9-12页 |
| 1.3.1 大数据研究 | 第9-10页 |
| 1.3.2 国外高校贫困生资助现状研究 | 第10-11页 |
| 1.3.3 国内高校贫困生资助现状研究 | 第11-12页 |
| 1.4 研究目标、内容及方法 | 第12-13页 |
| 1.4.1 研究目标 | 第12页 |
| 1.4.2 研究内容 | 第12页 |
| 1.4.3 研究方法 | 第12-13页 |
| 1.5 创新点 | 第13-14页 |
| 第二章 相关理论与技术 | 第14-22页 |
| 2.1 贫困生界定与精准资助 | 第14-15页 |
| 2.1.1 贫困生界定 | 第14页 |
| 2.1.2 精准资助 | 第14-15页 |
| 2.2 Hadoop相关技术 | 第15-17页 |
| 2.2.1 Hadoop分布式计算框架 | 第15页 |
| 2.2.2 HDFS文件系统 | 第15-17页 |
| 2.3 Boosting系列算法 | 第17-20页 |
| 2.3.1 Boosting算法原理 | 第17-19页 |
| 2.3.2 梯度提升树(GBDT)原理 | 第19-20页 |
| 2.4 贫困生分类相关模型 | 第20-21页 |
| 2.4.1 随机森林模型 | 第20页 |
| 2.4.2 支持向量机(SVM)模型 | 第20-21页 |
| 2.5 分类评价指标 | 第21-22页 |
| 第三章 决策树优化策略研究 | 第22-31页 |
| 3.1 CART决策树 | 第22页 |
| 3.2 梯度决策树优化原理 | 第22-23页 |
| 3.3 GBDT决策树算法优化 | 第23-27页 |
| 3.3.1 梯度优化决策树 | 第23-25页 |
| 3.3.2 多元GBDT决策树分类算法 | 第25-26页 |
| 3.3.3 梯度优化决策树分布式策略 | 第26-27页 |
| 3.4 划分策略 | 第27-28页 |
| 3.5 特征选择策略 | 第28-29页 |
| 3.6 构造新特征 | 第29-31页 |
| 3.6.1 特征构造原理 | 第29页 |
| 3.6.2 基于GBDT特征新构造 | 第29-31页 |
| 第四章 基于分布式环境下GBDT贫困生分类模型 | 第31-35页 |
| 4.1 贫困生分类概况 | 第31-32页 |
| 4.2 数据准备 | 第32页 |
| 4.3 GBDT并行化 | 第32-33页 |
| 4.4 GBDT参数调优 | 第33-35页 |
| 第五章 实验结果分析 | 第35-43页 |
| 5.1 实验环境 | 第35-36页 |
| 5.2 Hadoop集群环境搭建 | 第36-38页 |
| 5.2.1 Hadoop安装 | 第36-37页 |
| 5.2.2 安装部署Hive | 第37页 |
| 5.2.3 安装部署Spark | 第37-38页 |
| 5.3 实验结果 | 第38-41页 |
| 5.4 结果分析 | 第41-43页 |
| 第六章 总结与展望 | 第43-44页 |
| 6.1 总结 | 第43页 |
| 6.2 展望 | 第43-44页 |
| 参考文献 | 第44-46页 |
| 致谢 | 第46-47页 |
| 在学期间公开发表论文及著作情况 | 第47页 |
