| 摘要 | 第2-4页 |
| Abstract | 第4-5页 |
| 第一章绪论 | 第8-13页 |
| 1.1 数据挖掘现状 | 第8-10页 |
| 1.1.1 数据挖掘国外研究现状 | 第9页 |
| 1.1.2 数据挖掘国内研究现状 | 第9-10页 |
| 1.2 电信客户流失预测的研究现状 | 第10-11页 |
| 1.3 本文研究内容 | 第11-12页 |
| 1.4 本文组织结构 | 第12-13页 |
| 第二章 数据挖掘相关知识 | 第13-21页 |
| 2.1 数据挖掘的组成结构 | 第13-14页 |
| 2.2 数据挖掘概述 | 第14-16页 |
| 2.2.1 数据挖掘定义 | 第14-15页 |
| 2.2.2 数据挖据方法 | 第15-16页 |
| 2.3 数据挖掘算法分析 | 第16-21页 |
| 2.3.1 分类算法 | 第16-18页 |
| 2.3.2 聚类算法 | 第18页 |
| 2.3.3 关联分析算法 | 第18页 |
| 2.3.4 统计学习算法 | 第18-19页 |
| 2.3.5 链接挖掘 | 第19-20页 |
| 2.3.6 袋装与推进 | 第20-21页 |
| 第三章后验概率的SVM在客户流失中的预测 | 第21-38页 |
| 3.1 客户流失分析 | 第21-23页 |
| 3.2 SVM算法分析 | 第23-24页 |
| 3.2.1 支持向量机 | 第23-24页 |
| 3.3 SVM基本原理 | 第24-29页 |
| 3.3.1 线性回归 | 第24-26页 |
| 3.3.2 非线性回归 | 第26-27页 |
| 3.3.3 参数研究 | 第27-29页 |
| 3.4 后验概率SVM模型 | 第29-32页 |
| 3.4.1 基于后验概率支持向量机算法思想 | 第30-32页 |
| 3.5 基于后验概率的SVM客户流失预测模型 | 第32-35页 |
| 3.5.1 数据预处理 | 第32-33页 |
| 3.5.2 对数据进行归一化 | 第33-34页 |
| 3.5.3 核函数与参数选取 | 第34页 |
| 3.5.4 建立预测模型 | 第34-35页 |
| 3.6 预测结果应用 | 第35-38页 |
| 3.6.1 仿真结果分析 | 第35-38页 |
| 第四章基于亲和性的SKIR模型在复杂网络的应用 | 第38-47页 |
| 4.1 复杂网络应用 | 第38-39页 |
| 4.1.1 复杂网络简介 | 第38-39页 |
| 4.2 传统的传染病模型研究 | 第39-42页 |
| 4.2.1 SI模型 | 第39-40页 |
| 4.2.2 SIS模型 | 第40页 |
| 4.2.3 SIR模型 | 第40-41页 |
| 4.2.4 传染病模型在国内外发展 | 第41-42页 |
| 4.3 SKIR（SUSCEPTIBLE-KNOWN-INFORMED-REFRACTORY）模型在复杂网络上的应用 | 第42-45页 |
| 4.3.1 SKIR模型的建立 | 第42-43页 |
| 4.3.2 SKIR模型稳态分析 | 第43-45页 |
| 4.3.2.1 均匀网络 | 第44页 |
| 4.3.2.2 非均匀网络 | 第44-45页 |
| 4.4 实验仿真 | 第45-47页 |
| 第五章 总结与展望 | 第47-48页 |
| 参考文献 | 第48-53页 |
| 硕士研究生期间发表论文情况 | 第53-54页 |
| 致谢 | 第54-56页 |