基于电商用户消费行为数据的聚类分析
| 中文摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-10页 |
| 1.1 论文背景及意义 | 第7-8页 |
| 1.2 数据挖掘的研究背景及场景 | 第8页 |
| 1.3 本文的组织与结构 | 第8-10页 |
| 第二章 数据挖掘 | 第10-15页 |
| 2.1 数据挖掘的基本原理 | 第10页 |
| 2.2 数据挖掘的基本流程 | 第10-11页 |
| 2.3 数据挖掘的基本步骤 | 第11-13页 |
| 2.4 几种常用的数据挖掘算法 | 第13-14页 |
| 2.5 小结 | 第14-15页 |
| 第三章 聚类算法与优化 | 第15-23页 |
| 3.1 聚类算法的分类 | 第15-20页 |
| 3.1.1 聚类算法相似度的度量 | 第15-16页 |
| 3.1.2 基于划分的聚类算法 | 第16-18页 |
| 3.1.3 基于层次的聚类算法 | 第18页 |
| 3.1.4 基于密度的聚类算法 | 第18页 |
| 3.1.5 基于网格的聚类算法 | 第18-19页 |
| 3.1.6 基于模型的聚类算法 | 第19页 |
| 3.1.7 聚类算法的不足 | 第19-20页 |
| 3.2 特征权重 | 第20-22页 |
| 3.2.1 特征工程 | 第20页 |
| 3.2.2 信息熵 | 第20-22页 |
| 3.3 粒子群优化算法 | 第22-23页 |
| 第四章 实证分析 | 第23-32页 |
| 4.1 数据来源 | 第23-27页 |
| 4.1.1 数据获取 | 第23-24页 |
| 4.1.2 数据汇总 | 第24-25页 |
| 4.1.3 数据预处理 | 第25-27页 |
| 4.2 模型建立与优化 | 第27-29页 |
| 4.2.1 K-means聚类算法 | 第27页 |
| 4.2.2 初始类中心优化 | 第27-28页 |
| 4.2.3 权重优化 | 第28-29页 |
| 4.3 混合模型 | 第29-30页 |
| 4.4 模型结果与评价 | 第30-31页 |
| 4.5 小结 | 第31-32页 |
| 第五章 总结与展望 | 第32-34页 |
| 5.1 总结 | 第32页 |
| 5.2 展望 | 第32-34页 |
| 参考文献 | 第34-36页 |
| 致谢 | 第36页 |
