| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| ·数据挖掘的研究背景 | 第7-8页 |
| ·数据挖掘中的关联规则和销售预测 | 第8-9页 |
| ·销售预测的作用 | 第9页 |
| ·关联规则和回归分析预测算法的研究现状 | 第9-11页 |
| ·本文工作 | 第11-12页 |
| ·论文的组织 | 第12-13页 |
| 第二章 数据挖掘中的关联规则 | 第13-29页 |
| ·数据挖掘相关介绍 | 第13-19页 |
| ·数据挖掘的定义 | 第13页 |
| ·数据挖掘系统结构 | 第13-14页 |
| ·数据挖掘的数据来源 | 第14-16页 |
| ·数据挖掘的任务 | 第16页 |
| ·数据挖掘的模式类型 | 第16-17页 |
| ·数据挖掘的应用 | 第17-18页 |
| ·数据挖掘的发展趋势 | 第18-19页 |
| ·关联规则相关介绍 | 第19-27页 |
| ·关联规则的定义 | 第19-21页 |
| ·频繁集的性质 | 第21页 |
| ·关联规则的分类 | 第21-22页 |
| ·挖掘关联规则的基本步骤 | 第22页 |
| ·简单形式的关联规则算法—Apriori算法 | 第22-27页 |
| ·本章小结 | 第27-29页 |
| 第三章 线性回归分析预测和线性回归预测算法的改进 | 第29-35页 |
| ·预测数据挖掘的过程和预测方法 | 第29-30页 |
| ·预测数据挖掘的过程 | 第29页 |
| ·预测的方法 | 第29-30页 |
| ·线性回归分析算法 | 第30-31页 |
| ·一元线性回归分析预测算法 | 第30-31页 |
| ·一元线性回归分析算法模型及其求解方法 | 第31页 |
| ·改进的一元线性回归分析预测算法 | 第31-32页 |
| ·改进的一元线性回归分析预测算法 | 第31-32页 |
| ·算法思想 | 第32页 |
| ·预测误差度量 | 第32-33页 |
| ·算法应用——药品销售预测 | 第33-34页 |
| ·数据准备与处理 | 第33页 |
| ·月销售额的预测 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第四章 线性回归预测系统的设计与实现 | 第35-41页 |
| ·数据选择 | 第35-36页 |
| ·选择要研究的药品 | 第35页 |
| ·属性子集的选择 | 第35页 |
| ·数据抽取 | 第35-36页 |
| ·系统的总体设计 | 第36-37页 |
| ·挖掘方法 | 第36页 |
| ·模块划分 | 第36页 |
| ·系统的总体层次结构 | 第36-37页 |
| ·系统实现 | 第37-38页 |
| ·系统实现的关键技术 | 第38-40页 |
| ·数据抽取技术 | 第38-39页 |
| ·双数组穷举判断技术 | 第39页 |
| ·预测表技术 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 第五章 线性回归预测系统在医药批发中的应用 | 第41-47页 |
| ·预测药品的选择 | 第41-44页 |
| ·数据准备与处理 | 第41-42页 |
| ·挖掘频繁项集 | 第42-44页 |
| ·药品销售金额的预测 | 第44-45页 |
| ·改进的一元线性回归预测模块对"小盐水"月销售金额的预测 | 第44页 |
| ·一元线性回归预测模块对"小盐水"月销售额金额的预测 | 第44-45页 |
| ·结果比较和分析 | 第45页 |
| ·本章小结 | 第45-47页 |
| 第六章 结束语 | 第47-49页 |
| 致谢 | 第49-51页 |
| 参考文献 | 第51-53页 |
| 研究成果 | 第53页 |