基于数据挖掘的超市商品定价研究
| 摘要 | 第1-4页 |
| Abshact | 第4-12页 |
| 第一章 引言 | 第12-20页 |
| ·研究背景及意义 | 第12-13页 |
| ·研究背景 | 第12-13页 |
| ·研究意义 | 第13页 |
| ·国内外研究综述 | 第13-17页 |
| ·商品定价方法的研究现状 | 第13-15页 |
| ·BP神经网络在定价领域的研究现状 | 第15-17页 |
| ·研究现状评述 | 第17页 |
| ·研究方法与内容 | 第17-19页 |
| ·研究方法 | 第17-18页 |
| ·研究内容 | 第18-19页 |
| ·论文创新之处 | 第19-20页 |
| 第二章 理论基础 | 第20-32页 |
| ·数据挖掘理论 | 第20-22页 |
| ·数据挖掘概念 | 第20页 |
| ·数据挖掘特点 | 第20-21页 |
| ·数据挖掘过程 | 第21-22页 |
| ·常用超市商品定价方法 | 第22-24页 |
| ·成本导向法定价 | 第22-23页 |
| ·竞争导向法定价 | 第23页 |
| ·需求导向法定价 | 第23页 |
| ·市场比较法定价 | 第23-24页 |
| ·数据挖掘引入超市商品定价领域的可行性 | 第24-25页 |
| ·数据挖掘方法 | 第25-31页 |
| ·BP神经网络 | 第25-28页 |
| ·遗传算法 | 第28-30页 |
| ·加权KNN算法 | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 第三章 超市商品定价模型 | 第32-52页 |
| ·超市商品定价模型原理与构建思路 | 第32-34页 |
| ·超市商品价格指标体系构建 | 第34-38页 |
| ·价格影响因素分析 | 第34-36页 |
| ·价格指标体系建立 | 第36-38页 |
| ·BP神经网络优化 | 第38-45页 |
| ·神经网络隐含层节点个数的优化 | 第39-40页 |
| ·改进遗传算法对神经网络初始权值与闽值的优化 | 第40-43页 |
| ·输入指标值缺失情况下的自动补全 | 第43-45页 |
| ·基于优化BP神经网络的超市商品定价模型的构建 | 第45-51页 |
| ·样本选择与指标预处理 | 第46-47页 |
| ·指标筛选 | 第47-49页 |
| ·模型初始化 | 第49-50页 |
| ·模型训练 | 第50页 |
| ·模型仿真 | 第50-51页 |
| ·本章小结 | 第51-52页 |
| 第四章 实证研究—以某连锁超市商品定价为例 | 第52-68页 |
| ·某连锁超市背景介绍 | 第52页 |
| ·本实例的商业理解 | 第52-53页 |
| ·数据理解与收集 | 第53-56页 |
| ·数据准备 | 第56-57页 |
| ·缺失值处理 | 第56页 |
| ·异常值处理 | 第56页 |
| ·输入指标转码 | 第56-57页 |
| ·商品价格指标筛选 | 第57-58页 |
| ·模型训练结果 | 第58-62页 |
| ·BP神经网络训练结果 | 第59-61页 |
| ·KNN回归算法训练结果 | 第61-62页 |
| ·模型仿真与评价 | 第62-65页 |
| ·评价指标 | 第62-63页 |
| ·仿真结果分析 | 第63-65页 |
| ·与未优化模型对比分析 | 第65-67页 |
| ·本章小结 | 第67-68页 |
| 结论与展望 | 第68-70页 |
| 主要研究工作和结论 | 第68-69页 |
| 后续研究工作和展望 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-75页 |
| 附录A | 第75-77页 |
| 附录B | 第77-81页 |
| 个人简历及科研成果 | 第81页 |
