商品推荐的决策树算法
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4页 |
| 1 绪论 | 第7-11页 |
| 1.1 研究背景 | 第7-8页 |
| 1.2 研究现状 | 第8-9页 |
| 1.2.1 算法研究现状 | 第8页 |
| 1.2.2 产业界应用现状 | 第8-9页 |
| 1.3 研究意义 | 第9-10页 |
| 1.4 研究目的和研究内容 | 第10-11页 |
| 1.4.1 研究目的 | 第10页 |
| 1.4.2 研究内容 | 第10-11页 |
| 2 数据预处理 | 第11-16页 |
| 2.1 处理缺失值 | 第11页 |
| 2.2 数据标准化 | 第11-12页 |
| 2.3 主成分分析降维 | 第12-15页 |
| 2.3.1 主成分分析的基本思想 | 第12页 |
| 2.3.2 主成分分析的数学模型 | 第12-13页 |
| 2.3.3 主成分分析的几何解释 | 第13-15页 |
| 2.4 本章小结 | 第15-16页 |
| 3 协同过滤推荐算法 | 第16-20页 |
| 3.1 相似性度量方法 | 第16-17页 |
| 3.2 基于用户的协同过滤 | 第17-18页 |
| 3.3 基于商品的协同过滤 | 第18-19页 |
| 3.4 本章小结 | 第19-20页 |
| 4 梯度提升树 | 第20-27页 |
| 4.1 分类回归树 | 第20-22页 |
| 4.1.1 基尼指数 | 第20页 |
| 4.1.2 条件基尼指数 | 第20页 |
| 4.1.3 基尼增益 | 第20-21页 |
| 4.1.4 CART树生成 | 第21-22页 |
| 4.2 梯度提升树 | 第22-26页 |
| 4.2.1 Adaboost提升算法 | 第22-24页 |
| 4.2.2 梯度提升回归树 | 第24-25页 |
| 4.2.3 梯度提升分类树 | 第25-26页 |
| 4.3 小结 | 第26-27页 |
| 5 决策树推荐的实现 | 第27-44页 |
| 5.1 数据预处理 | 第27-35页 |
| 5.1.1 实验数据集 | 第27-28页 |
| 5.1.2 数据预处理 | 第28-35页 |
| 5.2 主成分分析实现 | 第35-38页 |
| 5.3 模型实现 | 第38-43页 |
| 5.3.1 模型评价标准 | 第38-39页 |
| 5.3.2 训练模型 | 第39-41页 |
| 5.3.3 模型融合 | 第41-43页 |
| 5.4 小结 | 第43-44页 |
| 6 总结 | 第44-45页 |
| 致谢 | 第45-46页 |
| 参考文献 | 第46-47页 |
