| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 前言 | 第9-15页 |
| 1.1 大数据的发展背景与核心价值 | 第9页 |
| 1.2 数据挖掘的发展背景及其概念 | 第9-10页 |
| 1.3 数据挖掘的主要模式 | 第10-12页 |
| 1.3.1 基于预测任务的数据挖掘模式 | 第10-11页 |
| 1.3.1.1 分类模式 | 第11页 |
| 1.3.1.2 回归模式 | 第11页 |
| 1.3.2 基于描述任务的数据挖掘模式 | 第11-12页 |
| 1.3.2.1 关联模式 | 第11页 |
| 1.3.2.2 偏差模式 | 第11-12页 |
| 1.3.2.3 聚类模式 | 第12页 |
| 1.4 本文的研究思路与研究方法 | 第12-15页 |
| 第2章 多元聚类分析方法概述 | 第15-31页 |
| 2.1 聚类分析的概念及分类 | 第15-17页 |
| 2.1.1 聚类分析的概念 | 第15-16页 |
| 2.1.2 几种簇与聚类的类型及方法简述 | 第16-17页 |
| 2.2 关于距离（相似性）的度量方法简述 | 第17-21页 |
| 2.2.1 相似性和相异性的概念 | 第17页 |
| 2.2.2 关于对象间几种常见的距离（相似度）的定义 | 第17-20页 |
| 2.2.2.1 闵可夫斯基距离（Minkowski distance） | 第17-18页 |
| 2.2.2.2 马氏距离（Mahalanobis distance） | 第18-19页 |
| 2.2.2.3 兰氏距离（Lance and Williams distance） | 第19页 |
| 2.2.2.4 Jaccard 系数（Jaccard coefficient） | 第19页 |
| 2.2.2.5 余弦相似度（cosine similarity） | 第19-20页 |
| 2.2.2.6 皮尔逊相关系数（Pearson correlation coefficient） | 第20页 |
| 2.2.3 关于聚类模式中不同距离（相似度）的应用原则 | 第20-21页 |
| 2.3 K - 均值聚类技术的原理及方法简介 | 第21-26页 |
| 2.3.1 均值聚类技术的原理及思想 | 第21页 |
| 2.3.2 均值聚类技术的方法概述 | 第21-25页 |
| 2.3.2.1 分配点到最近的质心 | 第22页 |
| 2.3.2.2 基于各种距离的目标函数的选择 | 第22-24页 |
| 2.3.2.3 均值聚类算法的时间复杂度和空间复杂度 | 第24-25页 |
| 2.3.3 均值聚类技术的方法评价 | 第25-26页 |
| 2.4 均值聚类算法的簇评估 | 第26-31页 |
| 2.4.1 簇评估技术的简介 | 第26-27页 |
| 2.4.2 簇评估技术的主要评估指标 | 第27页 |
| 2.4.3 均值聚类算法的非监督簇评估方法 | 第27-31页 |
| 第3章 基于均值聚类的面板数据的改进算法 | 第31-45页 |
| 3.1 面板数据的概念及应用简析 | 第31-32页 |
| 3.1.1 面板数据的概念 | 第31页 |
| 3.1.2 面板数据的优势及应用范畴 | 第31-32页 |
| 3.2 面板数据的聚类算法研究成果简述 | 第32-35页 |
| 3.3 基于均值聚类技术的面板数据的改进聚类算法 | 第35-45页 |
| 3.3.1 关于面板数据的相似度（距离）的定义 | 第35-37页 |
| 3.3.2 权重系数的选择 | 第37-40页 |
| 3.3.3 改进的均值聚类算法的思想与步骤 | 第40-42页 |
| 3.3.4 关于本文所述方法的优点与不足 | 第42-45页 |
| 第4章 实证分析 | 第45-59页 |
| 4.1 样本选取的背景 | 第45页 |
| 4.2 各个指标的经济意义简述 | 第45-46页 |
| 4.3 样本空间的基本描述 | 第46-50页 |
| 4.4 聚类结果的描述与对比 | 第50-59页 |
| 4.4.1 聚类结果的描述 | 第50-52页 |
| 4.4.2 聚类结果的可视化对比分析 | 第52-55页 |
| 4.4.3 聚类结果基于凝聚度与分离度的对比分析 | 第55-56页 |
| 4.4.4 聚类结果的监督性对比分析 | 第56-59页 |
| 第5章 总结与展望 | 第59-61页 |
| 5.1 总结 | 第59-60页 |
| 5.2 展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 攻读学位期间发表的学术论文 | 第65-67页 |
| 致谢 | 第67页 |
