基于决策树算法的电视节目收视率预测研究
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 课题背景和研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 研究内容和主要工作 | 第13-14页 |
| 1.3.1 研究内容 | 第13-14页 |
| 1.3.2 主要工作 | 第14页 |
| 1.4 论文的组织结构 | 第14-15页 |
| 第二章 数据挖掘概述 | 第15-29页 |
| 2.1 数据挖掘 | 第15-18页 |
| 2.1.1 数据挖掘定义及应用分类 | 第15-16页 |
| 2.1.2 数据挖掘的方法 | 第16-17页 |
| 2.1.3 数据额挖掘的实施步骤 | 第17-18页 |
| 2.2 人工神经网络 | 第18-21页 |
| 2.2.1 人工神经网络简介 | 第18-19页 |
| 2.2.2 BP神经网络结构 | 第19-20页 |
| 2.2.3 BP神经网络的学习及算法 | 第20-21页 |
| 2.2.4 BP神经网络存在的问题及改进 | 第21页 |
| 2.3 决策树分类 | 第21-25页 |
| 2.3.1 决策树分类简介 | 第21-22页 |
| 2.3.2 决策树的基本生成算法 | 第22-24页 |
| 2.3.3 决策树的剪枝 | 第24-25页 |
| 2.4 贝叶斯网络 | 第25-29页 |
| 2.4.1 贝叶斯网络简介 | 第25-26页 |
| 2.4.2 贝叶斯网络的构造步骤及其优点 | 第26-27页 |
| 2.4.3 贝叶斯网络的发展与现状 | 第27-29页 |
| 第三章 数据的准备 | 第29-33页 |
| 3.1 收视率预测数据挖掘过程 | 第29页 |
| 3.2 原始数据 | 第29-31页 |
| 3.2.1 日记卡主要内容 | 第30页 |
| 3.2.2 节目播出数据 | 第30页 |
| 3.2.3 数据录入 | 第30-31页 |
| 3.3 数据预处理 | 第31-33页 |
| 3.3.1 数据清洗 | 第31页 |
| 3.3.2 数据规范化 | 第31-32页 |
| 3.3.3 数据归约 | 第32页 |
| 3.3.4 训练数据集和测试数据集 | 第32-33页 |
| 第四章 电视节目收视率分析 | 第33-42页 |
| 4.1 电视节目收视率简介 | 第33-34页 |
| 4.1.1 收视率 | 第33页 |
| 4.1.2 收视率的作用 | 第33-34页 |
| 4.1.3 收视率调查 | 第34页 |
| 4.2 收视率调查：预测与评价相结合 | 第34-37页 |
| 4.2.1 目前国内收视率评价体系的不足 | 第35-36页 |
| 4.2.2 收视率预测及其意义 | 第36页 |
| 4.2.3 收视率预测与评价有机结合 | 第36-37页 |
| 4.3 电视节目收视率预测 | 第37-42页 |
| 4.3.1 收视率定量预测的数学模型 | 第37-41页 |
| 4.3.2 收视率预测的回归模型 | 第41-42页 |
| 第五章 建立收视率预测模型 | 第42-61页 |
| 5.1 人工神经网络预测模型 | 第42-45页 |
| 5.1.1 输入层和输出层的设计 | 第42页 |
| 5.1.2 隐含层数和层内节点数的选择 | 第42-43页 |
| 5.1.3 算法的主要实现步骤 | 第43-45页 |
| 5.2 决策树预测模型 | 第45-48页 |
| 5.2.1 决策树的生成 | 第45-48页 |
| 5.2.2 分类规则的提取 | 第48页 |
| 5.3 贝叶斯网络预测模型 | 第48-50页 |
| 5.3.1 贝叶斯网络预测模型结构 | 第48-49页 |
| 5.3.2 贝叶斯网络模型算法 | 第49-50页 |
| 5.4 模型实现与实验结果比较 | 第50-61页 |
| 5.4.1 模型实现 | 第50-59页 |
| 5.4.2 实验结果比较 | 第59-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 论文工作小结 | 第61-62页 |
| 6.2 未来工作展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士学位期间发表的学位论 | 第67-68页 |
| 致谢 | 第68-69页 |
| 详细摘要 | 第69-74页 |
