| 摘要 | 第4-6页 |
| Abstract | 第6-8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13-15页 |
| 1.3 论文的主要工作 | 第15-17页 |
| 1.4 论文结构安排 | 第17-19页 |
| 2 基础理论与技术介绍 | 第19-25页 |
| 2.1 数据挖掘相关技术概述 | 第19-20页 |
| 2.1.1 数据挖掘简介 | 第19页 |
| 2.1.2 关联规则简介 | 第19-20页 |
| 2.2 Apriori算法概述 | 第20-22页 |
| 2.3 朴素贝叶斯算法概述 | 第22-25页 |
| 2.3.1 朴素贝叶斯分类器 | 第22页 |
| 2.3.2 算法流程 | 第22-25页 |
| 3 基于哈佛癌症风险指数模型分类方法 | 第25-31页 |
| 3.1 哈佛癌症风险指数模型 | 第25页 |
| 3.2 基于哈佛癌症风险指数模型分类方法 | 第25-28页 |
| 3.3 基于哈佛癌症风险指数模型分类方法的优缺点分析 | 第28-31页 |
| 4 基于Apriori加权的朴素贝叶斯分类方法 | 第31-45页 |
| 4.1 缺失数据概念及处理方法 | 第31-32页 |
| 4.1.1 缺失数据的原因 | 第31页 |
| 4.1.2 缺失数据的种类 | 第31页 |
| 4.1.3 传统缺失数据处理方法 | 第31-32页 |
| 4.2 基于k-means改进的缺失数据处理方法 | 第32-34页 |
| 4.2.1 k-means算法 | 第32-33页 |
| 4.2.2 基于k-means改进的缺失数据处理方法思想 | 第33-34页 |
| 4.3 基于Apriori加权的APNBC分类方法 | 第34-38页 |
| 4.3.1 APNBC分类方法思想 | 第35-37页 |
| 4.3.2 APNBC分类方法详细步骤 | 第37-38页 |
| 4.4 实验结果及分析 | 第38-45页 |
| 5 用户健康分类方法应用与原型系统设计 | 第45-59页 |
| 5.1 用户健康分类应用描述 | 第45页 |
| 5.2 用户健康分类模型设计 | 第45-47页 |
| 5.3 用户健康分类原型系统设计 | 第47-59页 |
| 5.3.1 运行环境介绍 | 第47-50页 |
| 5.3.2 用户健康分类原型系统的需求分析 | 第50-51页 |
| 5.3.3 系统功能设计 | 第51-52页 |
| 5.3.4 系统数据库设计 | 第52-54页 |
| 5.3.5 用户健康分类原型系统的实现与运行 | 第54-59页 |
| 6 总结与展望 | 第59-61页 |
| 6.1 全文总结 | 第59-60页 |
| 6.2 展望 | 第60-61页 |
| 致谢 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 | 第67-68页 |
