| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 相关研究概述 | 第9-10页 |
| 1.2.1 数据挖掘研究概述 | 第9页 |
| 1.2.2 孤立点检测概述 | 第9-10页 |
| 1.2.3 医学数据挖掘概述 | 第10页 |
| 1.3 本文的工作 | 第10-11页 |
| 1.4 论文组织结构 | 第11-14页 |
| 第二章 数据挖掘相关知识 | 第14-26页 |
| 2.1 属性的相似度与相异度 | 第14-20页 |
| 2.1.1 标称属性的属性相似度与相异度 | 第14-16页 |
| 2.1.2 二元属性的属性相似度与相异度 | 第16-17页 |
| 2.1.3 序数属性的属性相似度与相异度 | 第17页 |
| 2.1.4 数值属性的属性相似度与相异度 | 第17-20页 |
| 2.2 数据预处理 | 第20-22页 |
| 2.2.1 数据清理 | 第20页 |
| 2.2.2 数据归约 | 第20页 |
| 2.2.3 数据变换 | 第20-22页 |
| 2.3 孤立点检测算法 | 第22-24页 |
| 2.3.1 基于统计学模型的孤立点检测算法 | 第22-23页 |
| 2.3.2 基于距离模型的孤立点检测算法 | 第23页 |
| 2.3.3 基于密度模型的孤立点检测算法 | 第23页 |
| 2.3.4 基于聚类模型的孤立点检测算法 | 第23-24页 |
| 2.3.5 基于偏离模型的孤立点检算法 | 第24页 |
| 2.4 本章小结 | 第24-26页 |
| 第三章 基于最近集孤立度的孤立点检测算法 | 第26-32页 |
| 3.1 主成分分析 | 第26-28页 |
| 3.1.1 原理 | 第26-27页 |
| 3.1.2 PCA主成分选择 | 第27页 |
| 3.1.3 奇异值分解 | 第27-28页 |
| 3.2 KNN算法 | 第28-29页 |
| 3.3 基于最近集孤立度的孤立点检测算法 | 第29-30页 |
| 3.4 算法评价 | 第30页 |
| 3.5 本章小结 | 第30-32页 |
| 第四章 基于最近集相异度的孤立点检测算法 | 第32-40页 |
| 4.1 相异度 | 第32-35页 |
| 4.2 基于相异度的孤立点检测算法 | 第35-36页 |
| 4.3 基于最近集相异度的孤立点检测算法 | 第36-38页 |
| 4.4 算法评价 | 第38页 |
| 4.5 本章小结 | 第38-40页 |
| 第五章 医疗处方孤立点检测 | 第40-50页 |
| 5.1 医疗数据预处理 | 第40-43页 |
| 5.1.1 医疗处方数据的降维 | 第42-43页 |
| 5.1.2 科室医疗处方数据矩阵的数据降维 | 第43页 |
| 5.1.3 科室医疗处方数据矩阵的规范化 | 第43页 |
| 5.2 医疗处方孤立点检测 | 第43-48页 |
| 5.2.1 利用PCA计算骨科门诊医疗处方数据有效维数 | 第44-45页 |
| 5.2.2 从孤立的医疗处方到异常的医疗处方 | 第45-46页 |
| 5.2.3 通过分析骨科门诊医疗处方数据来比较两种算法 | 第46-48页 |
| 5.3 小结 | 第48-50页 |
| 第六章 总结和展望 | 第50-52页 |
| 6.1 总结 | 第50页 |
| 6.2 展望 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 致谢 | 第56页 |