摘要：本文运用若干数据挖掘算法对消费者网上购物的有关指标数据进行分析。通过决策树建立模型作出预测，分别建立C5.0与随机森林算法对此进行优化对比。同时运用另两种算法KNN以及支持向量机再进行建模预测，准确率分别为84.3%和84.2%；尝试BP神经网络建模对指标因素作分析，得出产品相关、跳出率对消费者网购意愿影响较为显著。分类建模预测后，获取各指标间的联系，通过关联分析得出，产品相关及产品相关时长、跳出率和退出率的因素对消费者网购意愿影响较为显著。

关键词：网购意愿；K-近邻模型；BP神经网络；关联分析

 

目 录

摘 要

Abstract

1选题背景和意义-1

1.1电商网购大背景-1

1.2研究内容-1

2文献综述和理论基础-2

2.1.国内外研究现状-2

2.2.数据描述及可视化-3

2.3.分类方法目的-5

3.决策树分类模型建立与分析-5

3.1 CART决策树分类分析-5

3.2 C5.0决策树分类分析-7

3.3 随机森林算法分析-8

4.K-近邻模型建立与分析-10

5.支持向量机模型建立与分析-13

6.BP神经网络模型建立与分析-14

6.1Neuralnet函数神经网络模型建立-14

6.2 neuralnet函数的神经网络拓扑图分析-15

7.关联分析模型建立与分析-17

8.结语-21

参考文献-23

附录-24

致谢-32