| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第1章 绪论 | 第7-11页 |
| ·研究背景和研究现状 | 第7-9页 |
| ·数据说明 | 第9-10页 |
| ·论文结构 | 第10-11页 |
| 第2章 模型及评估方法 | 第11-22页 |
| ·机器学习算法 | 第11-17页 |
| ·随机森林 | 第12-14页 |
| ·神经网络 | 第14-16页 |
| ·mboost | 第16-17页 |
| ·统计学方法 | 第17-20页 |
| ·VARX模型 | 第17页 |
| ·线性随机效应混合模型 | 第17页 |
| ·岭回归、lasso回归、适应性lasso回归、偏最小二乘回归 | 第17-20页 |
| ·评估方法 | 第20-22页 |
| ·交叉验证 | 第20页 |
| ·标准均方误差 | 第20-22页 |
| 第3章 机器学习算法与统计学方法在复杂数据上的预测对比 | 第22-36页 |
| ·机器学习算法与VARX模型对多元时间序列预测上的对比 | 第22-28页 |
| ·五种模型对固定因变量及变化训练集的预测 | 第22-25页 |
| ·五种模型对不同因变量及变化训练集的预测 | 第25-27页 |
| ·五种模型对32个变量轮流作为因变量时的总体预测效果 | 第27-28页 |
| ·在纵向数据上机器学习算法与线性随机效应混合模型对预测的比较 | 第28-32页 |
| ·纵向数据的分析 | 第28-30页 |
| ·线性随机效应混合模型与机器学习法的预测对比 | 第30-32页 |
| ·具有多重共线性的数据上机器学习算法和统计建模方法预测的对比 | 第32-36页 |
| ·机器学习算法对多重共线性数据的预测 | 第33页 |
| ·统计建模方法与机器学习算法在该数据的预测对比 | 第33-36页 |
| 第4章 总结与进一步的工作 | 第36-38页 |
| ·总结 | 第36页 |
| ·进一步的工作 | 第36-38页 |
| 参考文献 | 第38-40页 |
| 附录 | 第40-47页 |
| 附录A 气温数据分析的R程序 | 第40-43页 |
| 附录B 帕金森病数据分析的R程序 | 第43-44页 |
| 附录C 糖尿病数据分析的R程序 | 第44-47页 |
| 攻读学位期间发表的学术论文和研究成果 | 第47-48页 |
| 致谢 | 第48页 |
