全文获取类型
收费全文 | 383篇 |
免费 | 3篇 |
国内免费 | 1篇 |
专业分类
财政金融 | 42篇 |
工业经济 | 17篇 |
计划管理 | 116篇 |
经济学 | 51篇 |
综合类 | 21篇 |
运输经济 | 5篇 |
旅游经济 | 1篇 |
贸易经济 | 92篇 |
农业经济 | 21篇 |
经济概况 | 17篇 |
信息产业经济 | 1篇 |
邮电经济 | 3篇 |
出版年
2024年 | 6篇 |
2023年 | 11篇 |
2022年 | 13篇 |
2021年 | 9篇 |
2020年 | 15篇 |
2019年 | 17篇 |
2018年 | 3篇 |
2017年 | 16篇 |
2016年 | 10篇 |
2015年 | 24篇 |
2014年 | 21篇 |
2013年 | 24篇 |
2012年 | 26篇 |
2011年 | 28篇 |
2010年 | 26篇 |
2009年 | 35篇 |
2008年 | 31篇 |
2007年 | 22篇 |
2006年 | 10篇 |
2005年 | 15篇 |
2004年 | 6篇 |
2003年 | 7篇 |
2002年 | 5篇 |
2001年 | 1篇 |
2000年 | 1篇 |
1997年 | 1篇 |
1996年 | 1篇 |
1995年 | 1篇 |
1992年 | 1篇 |
1991年 | 1篇 |
排序方式: 共有387条查询结果,搜索用时 15 毫秒
41.
决策树法是工业企业常用的投资决策评价方法。它是一种用树枝图形,简单明确地说明投资项目方案,反映决策过程的方法。它适用于长期或分阶段的投资决策,也适用于农机更新投资决策。伴随农机化事业的发 相似文献
42.
43.
决策树法是常用的风险型分析决策方法,本文试图在介绍决策树法原理及方法的基础上,用实证分析的方法说明如何运用该原理对中小酒店投资项目进行投资决策. 相似文献
45.
《中国集体经济》2018,(17)
文章以C5.0、Neural Net和Logistic三种算法作为构建预测混合模型的基础算法。在实证研究过程中,分别采用品牌、地区、网龄和账单作为客户细分变量,构建了不同的客户流失预测混合模型,用命中率和接受者操作特性(ROC)曲线对预测结果比较评估,得到以地区为客户细分变量的混合模型预测效果最佳,以账单为客户细分变量的混合模型预测效果,其次以网龄和品牌为客户细分变量的混合模型预测效果较差的结论。省级电信公司在构建流失预测系统过程中,以客户账单(或客户消费层次)作为细分变量,对各地区客户单独构建流失预测模型;同时,要加强品牌管理,提高各品牌对客户的区隔效果。 相似文献
46.
47.
48.
《经济地理》2021,41(6):49-56
文章以武汉市为研究对象,在500 m网格尺度上,以POI数据与"六普"人口数据为基础,结合现有的城市养老设施分布特征,运用机器学习算法,对养老设施选址布局进行定量模拟。文章先从武汉市31 390个网格中模拟出4 878个适合选址点位,然后根据各区域老龄化程度,进一步筛选出1 366个需要优先布局的点位,初步实现精细化尺度下养老设施定量化选址。研究发现:(1)模型模拟结果与现有养老设施对比,准确度为95.7%,方法可靠。(2)预测结果表明武汉市新增养老设施主要布局在三环以内等老龄化人口集聚区;同时,部分远城区街道人口老龄化也比较严重,需尽快新建养老设施。(3)研究尝试采用机器学习算法进行养老设施规划选址,可以使整体的布局趋向最优,可以尽量避免规划选址的主观性。该方法在其他公共设施选址中亦有一定的参考价值。 相似文献
49.
《经济地理》2021,41(7):61-72
以成都市为例,基于地铁刷卡、POI、建成环境等多源大数据,运用GIS、Python、Spark等进行数据处理,分析156个站点客流量、出行时间的空间分异特征,并通过梯度提升决策树(GBDT),解析站域设施数量、建成环境、经济属性等15个因素对客流量与出行时间的非线性影响机制。研究发现:(1)成都市轨道交通客流量具有中间高—两边低的倒U型分布特点,每站日均客流量为1.6万人次;(2)出行时间随距CBD距离增加逐渐增大,每站乘客平均出行时间为32 min,出行时间的概率密度呈Gamma分布特点;(3)路网密度、容积率、办公设施、交通设施等对客流量具有非线性正向影响,而房价、距CBD距离与客流量则分别为"凸"形与"凹"形的非线性关系;(4)距CBD距离、购物数量、办公数量等与出行时间非线性正相关,而交通设施、房价等与其负相关。最后,提出考虑"流量"与"时间"阈值效应的建成环境优化、构建"出行+生活"的轨道通勤圈等规划策略。 相似文献
50.
决策树是使用最为广泛的分类预测算法之一,它能探究并直观展现多维数据的内在规律.本文采用C5.0决策树构建健身课程重购意愿影响因素模型,发现5个关键因素按重要性从高到低排序依次为"健身消费意愿""课程时间自主性""课程预约便利性""每周健身次数"和"每次健身时长",模型具有较好的准确性(96%)和预测泛化能力(82%). 相似文献