| 摘要 | 第7-9页 |
| Abstract | 第9-10页 |
| 1 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.3 研究目标及主要研究内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15页 |
| 1.5 研究思路与技术路线 | 第15-17页 |
| 1.6 研究方案与关键技术 | 第17-18页 |
| 1.7 创新点与研究特色 | 第18页 |
| 1.8 本章小结 | 第18-19页 |
| 2 税收业务与数据挖掘 | 第19-26页 |
| 2.1 税务数据特点 | 第19-20页 |
| 2.2 税务数据源分析 | 第20-23页 |
| 2.2.1 税务数据的实时性 | 第20-21页 |
| 2.2.2 税务数据汇总 | 第21-23页 |
| 2.3 数据挖掘基本理论 | 第23-25页 |
| 2.3.1 数据挖掘技术 | 第23-24页 |
| 2.3.2 数据挖掘一般流程 | 第24页 |
| 2.3.3 数据挖掘的常用方法 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 3 数据挖掘算法 | 第26-42页 |
| 3.1 决策树算法 | 第26-34页 |
| 3.1.1 ID3算法 | 第26-28页 |
| 3.1.2 C4.5算法 | 第28-29页 |
| 3.1.3 CART决策树分类算法 | 第29-34页 |
| 3.2 孤立点检测基本原理 | 第34-39页 |
| 3.2.1 基于近邻度的孤立点检测算法 | 第35-36页 |
| 3.2.2 基于密度的孤立点检测算法 | 第36-37页 |
| 3.2.3 基于簇的孤立点检测算法 | 第37-38页 |
| 3.2.4 基于回归模型的孤立点检测算法 | 第38-39页 |
| 3.3 聚类算法 | 第39-41页 |
| 3.3.1 均值漂移聚类算法 | 第39-40页 |
| 3.3.2 K均值聚类算法(K-means) | 第40-41页 |
| 3.3.3 基于密度的聚类算法 | 第41页 |
| 3.3.4 基于最近邻的聚类算法 | 第41页 |
| 3.4 本章总结 | 第41-42页 |
| 4 数据挖掘技术在税务审计中的应用 | 第42-55页 |
| 4.1 数据预处理 | 第42-44页 |
| 4.1.1 数据异常点剔除 | 第42-43页 |
| 4.1.2 数据相关性分析 | 第43页 |
| 4.1.3 数据清理与数据变换压缩 | 第43-44页 |
| 4.2 税务样本实际来源和审计目标 | 第44页 |
| 4.3 决策树算法在税务审计中的应用 | 第44-48页 |
| 4.4 聚类算法在税务审计中的应用 | 第48-54页 |
| 4.4.1 基于最近邻的聚类算法在税务审计中结果分析与讨论 | 第48-51页 |
| 4.4.2 K-means算法在税务审计中结果分析与讨论 | 第51-54页 |
| 4.5 本章小结 | 第54-55页 |
| 5 总结与展望 | 第55-57页 |
| 5.1 本文总结 | 第55-56页 |
| 5.2 未来展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 附录 | 第61-62页 |
| 致谢 | 第62-63页 |