声明
第1章 绪 论
1.1 课题背景及研究的目的和意义
1.2 课题相关国内外研究现状
1.3 主要研究内容及创新点
1.4 论文组织结构
第2章 相关概念及理论基础
2.1 数据预处理
2.2 特征选择概述及方法
2.3 支持向量机与树模型
2.4 皮尔森系数
2.5 参数优化
2.6 本章小结
第3章 基于互信息的SVM-RFE特征选择及数据分析
3.1 基于互信息的SVM-RFE特征选择模型分析与架构
3.1.1 模型依据
3.1.2 模型架构
3.2 特征组合互信息计算
3.3 支持向量机递归特征消除算法
3.3.1 SVM-RFE排序得分标准
3.3.2 SVM-RFE算法流程
3.4 相关性分析：皮尔森系数
3.5 转折区间发现
3.5.1 样本点分布
3.5.2 多项式拟合
3.5.3 数据可视化及分析
3.6 本章小结
第4章 基于组合种群优化训练的XGboost预测模型
4.1 PBT框架理论知识
4.1.1 参数优化
4.1.2 基于种群训练优化
4.1.3 交叉验证
4.2 PBT框架模块介绍
4.2.1 网格搜索寻优策略
4.2.2 随机搜索优化策略
4.2.3 贝叶斯全局优化策略
4.3 PBT框架搭建
4.4 基于GBRPBT的XGboost算法
4.5 GRBPBT-XGboost模型搭建
4.6 本章小结
第5章 实验设计及结果
5.1 实验设置
5.1.1 实验环境
5.1.2 数据集说明
5.1.3 基线方法
5.1.4 评估指标
5.1.5 实验说明
5.2 特征选择结果
5.3 参数选择
(1) max-depth参数选择
(2)learning-rate参数选择
(3)n-estimators参数选择
5.4 实验结果及分析
5.5 本章小结
结论
参考文献
攻读硕士学位期间承担的科研任务与主要成果
致谢
燕山大学;
