摘要 | 第3-4页 |
ABSTRACT | 第4页 |
第1章 纳税评估中的数据挖掘 | 第8-13页 |
1.1 引言 | 第8页 |
1.2 我国纳税评估工作现状 | 第8-9页 |
1.3 数据挖掘的定义和功能概述 | 第9-10页 |
1.4 数据挖掘在税务系统中的应用范围举例 | 第10-11页 |
1.5 本文的贡献 | 第11-12页 |
1.6 本章小结 | 第12-13页 |
第2章 数据预处理 | 第13-20页 |
2.1 引言 | 第13页 |
2.2 数据预处理概述 | 第13-16页 |
2.2.1 数据预处理的分类研究 | 第13-14页 |
2.2.2 数据清理 | 第14-15页 |
2.2.3 属性优化 | 第15页 |
2.2.4 值域优化 | 第15-16页 |
2.2.5 元组优化 | 第16页 |
2.2.6 数据集成 | 第16页 |
2.3 规格化 | 第16-17页 |
2.3.1 最值法 | 第17页 |
2.3.2 均值偏差法 | 第17页 |
2.4 离散化 | 第17-19页 |
2.4.1 直方图法 | 第17-18页 |
2.4.2 基于聚类的方法 | 第18页 |
2.4.3 基于信息论的方法 | 第18-19页 |
2.5 本章小结 | 第19-20页 |
第3章 属性约简 | 第20-41页 |
3.1 引言 | 第20-21页 |
3.2 属性约简的粗糙集方法 | 第21-26页 |
3.2.1 粗糙集理论基础概述 | 第21-24页 |
3.2.2 粗糙集属性约简方法原理 | 第24-25页 |
3.2.3 决策规则的相关概念 | 第25-26页 |
3.2.4 粗糙集方法的优缺点 | 第26页 |
3.3 修边法简介 | 第26-28页 |
3.3.1 修边法概述 | 第26-27页 |
3.3.2 属性权重的用途 | 第27-28页 |
3.4 基于可辨识矩阵的属性约简方法介绍 | 第28-31页 |
3.4.1 基于可辨识矩阵的属性约简原理 | 第28-29页 |
3.4.2 算法演绎 | 第29页 |
3.4.3 属性借贷法 | 第29-31页 |
3.5 基于布尔矩阵筛选的属性约简算法 | 第31-40页 |
3.5.1 算法的理论基础 | 第31-32页 |
3.5.2 创建 BMF 的原因 | 第32页 |
3.5.3 BMF 属性约简算法步骤 | 第32-35页 |
3.5.4 基于布尔矩阵筛选的相对属性约简算法举例 | 第35-40页 |
3.6 本章小结 | 第40-41页 |
第4章 挖掘模式 | 第41-56页 |
4.1 引言 | 第41-42页 |
4.2 传统意义上的聚类分析和异常分析概述 | 第42-45页 |
4.2.1 聚类分析 | 第42-43页 |
4.2.2 异常分析 | 第43-45页 |
4.3 引力势能聚类算法的引入 | 第45-49页 |
4.3.1 经典密度算法讨论 | 第45-48页 |
4.3.2 基于 GPECA 的异常分析法 | 第48-49页 |
4.4 有向聚类分析 | 第49-55页 |
4.4.1 有向聚类概述 | 第50-51页 |
4.4.2 两种不同定义的异常数据 | 第51-52页 |
4.4.3 加权距离概述 | 第52-53页 |
4.4.4 加权距离赋权依据的合理性讨论 | 第53页 |
4.4.5 加权距离的计算步骤 | 第53-54页 |
4.4.6 有向聚类步骤介绍 | 第54-55页 |
4.5 本章小结 | 第55-56页 |
第5章 案例分析 | 第56-66页 |
5.1 引言 | 第56页 |
5.2 问题描述 | 第56-58页 |
5.3 案例说明 | 第58-59页 |
5.4 解题思路 | 第59页 |
5.5 分析步骤和结果 | 第59-64页 |
5.6 算法评价 | 第64页 |
5.7 本章小结 | 第64-66页 |
第6章 前景展望 | 第66-70页 |
6.1 引言 | 第66页 |
6.2 理论改进方向 | 第66-68页 |
6.2.1 BMF 约简算法的改进方向 | 第66-67页 |
6.2.2 GPECA 的改进方向 | 第67页 |
6.2.3 有向聚类的改进方向 | 第67-68页 |
6.3 智能税务 | 第68-69页 |
6.4 本章小结 | 第69-70页 |
参考文献 | 第70-74页 |
致谢 | 第74-75页 |
攻读学位期间发表的学术论文 | 第75-77页 |