数据挖掘中聚类算法研究与改进及其应用
| 中文摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 目录 | 第7-9页 |
| 1.绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 论文结构及创新点 | 第12页 |
| 1.4 本章小结 | 第12-13页 |
| 2.聚类分析研究 | 第13-23页 |
| 2.1 聚类分析介绍 | 第13页 |
| 2.2 聚类分析要求 | 第13-14页 |
| 2.3 聚类分析数据类型 | 第14-15页 |
| 2.4 聚类间相似度计算 | 第15页 |
| 2.5 聚类算法介绍 | 第15-22页 |
| 2.5.1 基于划分的方法 | 第15-18页 |
| 2.5.2 基于层次的方法 | 第18-20页 |
| 2.5.3 基于密度的方法 | 第20-22页 |
| 2.6 本章小结 | 第22-23页 |
| 3.K-means 聚类算法分析与改进 | 第23-37页 |
| 3.1 K-means 聚类算法的回顾 | 第23-26页 |
| 3.1.1 K-means 算法详细流程 | 第23-24页 |
| 3.1.2 K-means 算法的不足 | 第24-26页 |
| 3.2 K-means 聚类算法的改进 | 第26-32页 |
| 3.2.1 孤立点处理 | 第26-27页 |
| 3.2.2 判定划分最佳簇个数 | 第27-29页 |
| 3.2.3 确定初始聚类中心 | 第29-31页 |
| 3.2.4 改进算法流程 | 第31-32页 |
| 3.3 仿真实验及结果 | 第32-36页 |
| 3.4 本章小结 | 第36-37页 |
| 4.基于改进 K-means 聚类算法的应用 | 第37-49页 |
| 4.1 CRM 简介 | 第37-40页 |
| 4.1.1 CRM 含义 | 第37页 |
| 4.1.2 CRM 系统结构 | 第37-39页 |
| 4.1.3 CRM 中的数据挖掘模型 | 第39-40页 |
| 4.2 基于改进 k-means 算法的客户分析 | 第40-48页 |
| 4.2.1 分析目的 | 第41页 |
| 4.2.2 初始数据选取 | 第41-44页 |
| 4.2.3 数据预处理 | 第44-46页 |
| 4.2.4 聚类分析过程 | 第46-47页 |
| 4.2.5 实验结果分析 | 第47-48页 |
| 4.3 本章小结 | 第48-49页 |
| 5.结论与展望 | 第49-51页 |
| 5.1 结论 | 第49页 |
| 5.2 展望 | 第49-51页 |
| 参考文献 | 第51-54页 |
| 致谢 | 第54-55页 |
| 作者简介 | 第55-56页 |
