基于大数据的医保报销费用决策模型研究与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究工作的背景与意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 数据挖掘研究现状 | 第11-13页 |
| 1.2.2 医保数据异常点检测研究现状 | 第13-14页 |
| 1.3 研究目标与研究内容 | 第14页 |
| 1.4 论文结构 | 第14-16页 |
| 第二章 相关理论与技术 | 第16-26页 |
| 2.1 数据挖掘概述 | 第16-18页 |
| 2.1.1 数据挖掘定义和流程 | 第16-17页 |
| 2.1.2 分布式计算技术 | 第17-18页 |
| 2.2 数据挖掘相关算法 | 第18-23页 |
| 2.2.1 决策树算法 | 第18-19页 |
| 2.2.2 关联规则算法 | 第19-21页 |
| 2.2.3 Kmeans聚类算法 | 第21-22页 |
| 2.2.4 异常点检测算法 | 第22-23页 |
| 2.3 Hadoop和Map Reduce | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 基于聚类的异常点检测算法分析 | 第26-45页 |
| 3.1 引言 | 第26-27页 |
| 3.2 基于聚类的数据预处理 | 第27-33页 |
| 3.2.1 异常点定义 | 第27-29页 |
| 3.2.2 数据清洗 | 第29页 |
| 3.2.3 Canopy-kmeans聚类 | 第29-33页 |
| 3.3 基于聚类的医保大数据下的异常点检测 | 第33-41页 |
| 3.3.1 集成的基于距离的离群点检测算法 | 第33-37页 |
| 3.3.2 集成的基于密度的离群点检测算法 | 第37-39页 |
| 3.3.3 集成的基于深度的离群点检测算法 | 第39-41页 |
| 3.4 实验对比 | 第41-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第四章 基于决策树算法的医保报销费用决策模型研究 | 第45-70页 |
| 4.1 引言 | 第45-46页 |
| 4.2 模型建立及优化思路 | 第46-48页 |
| 4.2.1 决策模型建立 | 第46-47页 |
| 4.2.2 本模型优化思路 | 第47-48页 |
| 4.3 基于关联规则的属性选取 | 第48-51页 |
| 4.3.1 算法相关定义 | 第48-49页 |
| 4.3.2 算法流程 | 第49-51页 |
| 4.4 决策树算法及优化 | 第51-59页 |
| 4.4.1 算法相关定义 | 第51-52页 |
| 4.4.2 决策树算法思想 | 第52-55页 |
| 4.4.3 决策树算法剪枝优化 | 第55-59页 |
| 4.4.4 决策流程 | 第59页 |
| 4.5 实验结果 | 第59-69页 |
| 4.5.1 数据来源和示例 | 第59-62页 |
| 4.5.2 运行效率 | 第62-67页 |
| 4.5.3 算法复杂性 | 第67-69页 |
| 4.6 本章小结 | 第69-70页 |
| 第五章 医保报销费用决策系统的设计与实现 | 第70-83页 |
| 5.1 平台简介 | 第70-71页 |
| 5.1.1 平台目标 | 第70页 |
| 5.1.2 开发环境 | 第70-71页 |
| 5.2 平台架构设计 | 第71-72页 |
| 5.3 功能模块的设计与实现 | 第72-79页 |
| 5.3.1 数据采集模块 | 第72-75页 |
| 5.3.2 管理模块 | 第75-76页 |
| 5.3.3 执行模块 | 第76-78页 |
| 5.3.4 展示模块 | 第78-79页 |
| 5.4 医保报销费决策系统实现 | 第79-82页 |
| 5.5 本章小结 | 第82-83页 |
| 第六章 总结与展望 | 第83-85页 |
| 6.1 总结 | 第83-84页 |
| 6.2 展望 | 第84-85页 |
| 致谢 | 第85-86页 |
| 参考文献 | 第86-90页 |
| 攻读硕士学位期间取得的成果 | 第90-91页 |
