| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 论文研究背景 | 第9-10页 |
| 1.2 应用现状 | 第10-13页 |
| 1.2.1 数据挖掘技术应用现状 | 第10-11页 |
| 1.2.2 数据挖掘技术在银行领域的应用现状 | 第11-13页 |
| 1.3 数据挖掘概述 | 第13-15页 |
| 1.3.1 数据挖掘的概念 | 第13页 |
| 1.3.2 数据挖掘的用途 | 第13-14页 |
| 1.3.3 数据挖掘的步骤 | 第14页 |
| 1.3.4 数据挖掘的主要技术 | 第14-15页 |
| 1.4 论文的主要工作及组织结构安排 | 第15-17页 |
| 第2章 电子银行客户营销系统的设计与实现 | 第17-21页 |
| 2.1 系统概述 | 第17-18页 |
| 2.1.1 系统结构设计 | 第17页 |
| 2.1.2 系统功能设计 | 第17-18页 |
| 2.2 系统功能的设计与实现 | 第18-20页 |
| 2.2.1 系统用户登录模块的实现 | 第18-19页 |
| 2.2.2 功能操作模块的实现 | 第19-20页 |
| 2.3 小结 | 第20-21页 |
| 第3章 基于贝叶斯算法的电子银行客户签约的预测分析 | 第21-30页 |
| 3.1 贝叶斯分类算法介绍 | 第21-22页 |
| 3.1.1 贝叶斯定理 | 第21页 |
| 3.1.2 朴素贝叶斯分类 | 第21-22页 |
| 3.2 基于贝叶斯算法的电子银行客户数据分析处理与预测 | 第22-29页 |
| 3.2.1 数据准备 | 第22页 |
| 3.2.2 数据预处理 | 第22-24页 |
| 3.2.3 数据预测 | 第24-26页 |
| 3.2.4 属性对客户签约的重要性 | 第26-28页 |
| 3.2.5 数据二次预测 | 第28-29页 |
| 3.3 小结 | 第29-30页 |
| 第4章 基于 k-prototypes 算法的电子银行客户聚类分析 | 第30-40页 |
| 4.1 k-prototypes 算法介绍 | 第30-32页 |
| 4.1.1 k 均值算法（k-means）的概念 | 第30页 |
| 4.1.2 k 均值算法的性能分析 | 第30-31页 |
| 4.1.3 k-modes 算法介绍 | 第31页 |
| 4.1.4 k-prototypes 算法介绍 | 第31-32页 |
| 4.2 基于 k-prototypes 算法的电子银行客户聚类分析 | 第32-37页 |
| 4.2.1 数据预处理 | 第32-33页 |
| 4.2.2 数据分类 | 第33-36页 |
| 4.2.3 数据分析 | 第36-37页 |
| 4.3 基于改进的 k-prototypes 算法的电子银行客户聚类分析 | 第37-39页 |
| 4.4 小结 | 第39-40页 |
| 第5章 总结与展望 | 第40-42页 |
| 5.1 总结 | 第40页 |
| 5.2 展望 | 第40-42页 |
| 参考文献 | 第42-44页 |
| 致谢 | 第44页 |
