摘要 | 第5-6页 |
Abstract | 第6页 |
1 绪论 | 第7-11页 |
1.1 论文的研究背景以及意义 | 第7页 |
1.2 研究现状分析 | 第7-8页 |
1.2.1 K-means聚类算法的研究现状 | 第7-8页 |
1.3 银行投资理财现状分析 | 第8-9页 |
1.3.1 投资理财兴起 | 第8-9页 |
1.3.2 银行个人理财产品的国内外现状 | 第9页 |
1.4 论文安排 | 第9-11页 |
2 数据挖掘中的聚类分析 | 第11-16页 |
2.1 数据挖掘技术 | 第11-12页 |
2.1.1 数据挖掘的定义 | 第11页 |
2.1.2 数据挖掘面临的主要问题 | 第11-12页 |
2.2 聚类分析概述 | 第12页 |
2.3 主要的聚类方法 | 第12-13页 |
2.3.1 基于划分的方法 | 第13页 |
2.3.2 基于层次的方法 | 第13页 |
2.3.3 基于密度的方法 | 第13页 |
2.3.4 基于模型的方法 | 第13页 |
2.3.5 基于网格的方法 | 第13页 |
2.4 聚类分析中的数据结构、数据类型、相似性度量 | 第13-14页 |
2.4.1 聚类分析中的数据结构 | 第13-14页 |
2.4.2 聚类分析中的数据类型 | 第14页 |
2.4.3 聚类分析中的相似性度量 | 第14页 |
2.5 聚类准则函数 | 第14-15页 |
2.6 本章小结 | 第15-16页 |
3 K-means聚类算法分析 | 第16-20页 |
3.1 K-means聚类算法的基本步骤 | 第16页 |
3.2 K-means聚类算法示意图 | 第16页 |
3.3 K-means聚类算法的流程 | 第16-17页 |
3.4 现阶段K-means聚类算法的优缺点分析以及改进 | 第17-18页 |
3.4.1 现阶段K-means算法的优缺点分析 | 第17-18页 |
3.4.2 针对现阶段K-means算法缺点提出的改进方法 | 第18页 |
3.5 现阶段K-means算法中给定K值方法 | 第18页 |
3.6 现阶段初始中心点的选取方法 | 第18-19页 |
3.7 本章小节 | 第19-20页 |
4 改进的UPGMA与最大最小距离相结合的改进K-means算法 | 第20-31页 |
4.1 UPGMA算法 | 第20-21页 |
4.1.1 UPGMA算法思想 | 第20页 |
4.1.2 UPGMA算法具体执行描述 | 第20页 |
4.1.3 UPGMA算法的优劣势以及改进 | 第20-21页 |
4.2 最大最小距离算法 | 第21-23页 |
4.2.1 最大最小距离算法思想 | 第21-23页 |
4.2.2 最大最小距离算法优缺点分析 | 第23页 |
4.3 连续属性离散化 | 第23-24页 |
4.4 分冶算法 | 第24页 |
4.5 BWP指标函数 | 第24页 |
4.5.1 BWP指标函数的定义 | 第24页 |
4.5.2 通过BWP指标函数确定K值 | 第24页 |
4.6 改进后的K-means聚类算法 | 第24-26页 |
4.7 仿真实验与结果分析 | 第26-30页 |
4.7.1 数据集 | 第26页 |
4.7.2 实验设计 | 第26页 |
4.7.3 聚类结果及分析 | 第26-30页 |
4.8 本章小结 | 第30-31页 |
5 改进后的K-means算法在投资理财方面的客户行为分析 | 第31-46页 |
5.1 购买理财客户细分背景及意义 | 第31-33页 |
5.2 数据准备及预处理 | 第33-37页 |
5.3 模型的建立与实现 | 第37-38页 |
5.3.1 所用的软件介绍 | 第37页 |
5.3.2 数据加载 | 第37页 |
5.3.3 数据的量化 | 第37-38页 |
5.4 K-means聚类客户细分 | 第38-41页 |
5.4.1 k-means算法聚类数的确定 | 第38页 |
5.4.2 聚类过程及结果 | 第38-40页 |
5.4.3 聚类客户特征提取 | 第40-41页 |
5.5 基于最大最小距离的k-means聚类客户细分 | 第41页 |
5.6 基于改进后的k-means聚类客户细分 | 第41-43页 |
5.6.1 改进后聚类过程及结果 | 第42页 |
5.6.2 改进后聚类客户特征提取 | 第42-43页 |
5.7 不同聚类结果比较及营销策略制定 | 第43-45页 |
5.7.1 聚类结果比较 | 第43-44页 |
5.7.2 营销策略制定 | 第44-45页 |
5.8 本章小结 | 第45-46页 |
结论 | 第46-47页 |
致谢 | 第47-48页 |
参考文献 | 第48-50页 |