| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 主要研究内容 | 第13-14页 |
| 1.4 论文的组织结构 | 第14-15页 |
| 第二章 数据挖掘相关技术研究 | 第15-24页 |
| 2.1 传统预约系统中的医生和病人分类存在的问题 | 第15页 |
| 2.2 数据挖掘技术 | 第15-18页 |
| 2.2.1 数据挖掘的定义 | 第15-16页 |
| 2.2.2 数据挖掘的过程 | 第16-17页 |
| 2.2.3 数据挖掘的功能 | 第17-18页 |
| 2.3 可信度分类算法的选取 | 第18-23页 |
| 2.3.1 数据挖掘中的聚类算法 | 第19-20页 |
| 2.3.2 数据挖掘中的分类算法 | 第20-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 聚类算法和分类算法的研究 | 第24-33页 |
| 3.1 聚类分析中的数据类型和数据结构 | 第24-26页 |
| 3.1.1 聚类分析中的数据类型 | 第24-26页 |
| 3.1.2 聚类分析中的数据结构 | 第26页 |
| 3.2 加权的k-means算法 | 第26-29页 |
| 3.2.1 k-means算法的原理 | 第26-29页 |
| 3.2.2 加权的k-means算法的原理 | 第29页 |
| 3.3 决策树算法分类 | 第29-30页 |
| 3.3.1 决策树的生成过程 | 第29-30页 |
| 3.4 C4.5算法 | 第30-32页 |
| 3.4.1 C4.5算法的原理 | 第30-32页 |
| 3.5 本章小结 | 第32-33页 |
| 第四章 calendar中私人医生和病人的可信度分类 | 第33-48页 |
| 4.1 特征变量 | 第33-38页 |
| 4.1.1 特征变量的提取 | 第33-36页 |
| 4.1.2 特征变量的权重的确定 | 第36-38页 |
| 4.2 数据预处理 | 第38-42页 |
| 4.2.1 数据采集 | 第39页 |
| 4.2.2 处理缺失数据 | 第39-40页 |
| 4.2.3 处理噪声数据 | 第40页 |
| 4.2.4 数据转换 | 第40-41页 |
| 4.2.5 数据离散化 | 第41-42页 |
| 4.2.6 数据的归一化 | 第42页 |
| 4.2.7 数据聚合 | 第42页 |
| 4.3 聚类分析 | 第42-45页 |
| 4.3.1 私人医生和病人数据的聚类过程 | 第42-44页 |
| 4.3.2 聚类结果分析 | 第44-45页 |
| 4.4 分类分析 | 第45-47页 |
| 4.4.1 私人医生和病人可信度分类过程 | 第46-47页 |
| 4.4.2 可信度分类结果分析 | 第47页 |
| 4.5 本章小结 | 第47-48页 |
| 第五章 基于客户可信度的calendar系统的设计 | 第48-59页 |
| 5.1 系统的需求分析 | 第48-51页 |
| 5.1.1 系统的用例图 | 第48-49页 |
| 5.1.2 系统的核心用例表 | 第49-51页 |
| 5.2 系统的总体设计 | 第51-54页 |
| 5.2.1 系统的软件架构设计 | 第51-52页 |
| 5.2.2 系统的功能设计 | 第52-54页 |
| 5.3 系统的数据库设计 | 第54-58页 |
| 5.4 本章小结 | 第58-59页 |
| 第六章 基于客户可信度的calendar系统的实现 | 第59-66页 |
| 6.1 系统的开发环境 | 第59页 |
| 6.2 关键模块 | 第59-64页 |
| 6.2.1 可信度分类模块 | 第60-61页 |
| 6.2.2 预约模块 | 第61-63页 |
| 6.2.3 用户评价模块 | 第63-64页 |
| 6.3 实现效果 | 第64-65页 |
| 6.4 本章小结 | 第65-66页 |
| 第七章 结束语 | 第66-68页 |
| 7.1 总结 | 第66页 |
| 7.2 展望 | 第66-68页 |
| 参考文献 | 第68-70页 |
| 致谢 | 第70-71页 |
| 攻读学位期间发表的学位论文 | 第71页 |
