| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景和意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 集成学习研究现状 | 第10-11页 |
| 1.2.2 Stacking研究现状 | 第11-12页 |
| 1.3 本文主要工作 | 第12页 |
| 1.4 论文组织结构 | 第12-14页 |
| 第二章 相关理论介绍 | 第14-24页 |
| 2.1 数据样本处理 | 第14-16页 |
| 2.1.1 数据缺失处理 | 第14-15页 |
| 2.1.2 数据标准化处理 | 第15-16页 |
| 2.2 特征选取 | 第16-18页 |
| 2.2.1 过滤法 | 第16-17页 |
| 2.2.2 包装法 | 第17页 |
| 2.2.3 嵌入法 | 第17-18页 |
| 2.3 样本选取 | 第18-19页 |
| 2.3.1 基于难例挖掘的样本选取法 | 第18-19页 |
| 2.4 常用集成学习方法 | 第19-22页 |
| 2.4.1 Boosting算法 | 第19-21页 |
| 2.4.2 Bagging算法 | 第21-22页 |
| 2.4.3 Stacking方法 | 第22页 |
| 2.5 常用的其他分类方法 | 第22-23页 |
| 2.6 本章小结 | 第23-24页 |
| 第三章 电信用户信用度分类模型构建 | 第24-33页 |
| 3.1 次级分类器的选取及介绍 | 第24-30页 |
| 3.1.1 GBDT算法 | 第24-25页 |
| 3.1.2 随机森林算法 | 第25-27页 |
| 3.1.3 支持向量机算法 | 第27-30页 |
| 3.2 基于Stacking的电信用户信用度模型 | 第30-32页 |
| 3.2.1 Stacking方法简介 | 第30页 |
| 3.2.2 元分类器生成 | 第30-31页 |
| 3.2.3 电信用户信用度模型流程设计 | 第31-32页 |
| 3.3 本章小结 | 第32-33页 |
| 第四章 电信用户数据样本处理 | 第33-45页 |
| 4.1 实验数据介绍及预处理 | 第33-38页 |
| 4.1.1 实验数据介绍 | 第33-34页 |
| 4.1.2 数据预处理 | 第34-38页 |
| 4.2 特征选择 | 第38-42页 |
| 4.2.1 平均不纯度减少的特征选择方法 | 第38-39页 |
| 4.2.2 平均精确率减少的特征选择方法 | 第39-42页 |
| 4.3 训练样本选取 | 第42-43页 |
| 4.3.1 基于难例挖掘的训练样本选取 | 第42-43页 |
| 4.4 本章总结 | 第43-45页 |
| 第五章 实验设计及结果分析 | 第45-55页 |
| 5.1 实验环境与工具 | 第45页 |
| 5.2 评价指标 | 第45-46页 |
| 5.3 实验设计及实验结果分析 | 第46-54页 |
| 5.3.1 不同分类模型与基于Stacking的信用度模型效果对比 | 第47-49页 |
| 5.3.2 不同特征选择方法分类效果对比 | 第49-51页 |
| 5.3.3 不同训练样本选择方法分类效果对比 | 第51-54页 |
| 5.4 本章总结 | 第54-55页 |
| 第六章 总结与展望 | 第55-57页 |
| 6.1 总结 | 第55-56页 |
| 6.2 展望 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 攻读硕士学位期间取得的研究成果 | 第60-61页 |
| 致谢 | 第61-62页 |
| 附件 | 第62页 |