| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 医疗器械销售管理概述 | 第10页 |
| 1.2 本课题的研究目的和意义 | 第10-11页 |
| 1.3 国内外研究现状 | 第11-12页 |
| 1.3.1 医疗行业数据挖掘现状 | 第11-12页 |
| 1.3.2 随机森林预测研究现状 | 第12页 |
| 1.3.3 聚类异常检测研究现状 | 第12页 |
| 1.4 本文的主要工作和安排 | 第12-13页 |
| 1.5 论文结构 | 第13-14页 |
| 第二章 相关技术概述 | 第14-19页 |
| 2.1 数据挖掘 | 第14-16页 |
| 2.1.1 数据挖掘的定义及特点 | 第14页 |
| 2.1.2 数据挖掘的研究方向及基本过程 | 第14-15页 |
| 2.1.3 数据挖掘的常用方法 | 第15-16页 |
| 2.2 数据聚类与异常检测 | 第16-17页 |
| 2.2.1 数据聚类 | 第16页 |
| 2.2.2 异常检测 | 第16-17页 |
| 2.3 回归预测 | 第17-19页 |
| 第三章 基于DBscan聚类算法在医疗器械销售异常检测中的应用 | 第19-34页 |
| 3.1 K-means算法理论 | 第19-20页 |
| 3.1.1 K-means算法思想 | 第19页 |
| 3.1.2 K-means算法的基本过程 | 第19-20页 |
| 3.2 DBscan算法理论 | 第20-22页 |
| 3.2.1 DBscan算法的基本思想 | 第20页 |
| 3.2.2 DBscan算法的基本过程 | 第20-22页 |
| 3.3 基于K-means动态参数选择的DBscan算法在医疗器械销售异常检测中的应用 | 第22-32页 |
| 3.3.1 异常检测算法思想 | 第22-23页 |
| 3.3.2 异常检测算法步骤 | 第23-24页 |
| 3.3.3 实验仿真与结果分析 | 第24-32页 |
| 3.4 本章小结 | 第32-34页 |
| 第四章 基于改进的随机森林算法在销售预测中的应用 | 第34-47页 |
| 4.1 Adaboost算法理论 | 第34-35页 |
| 4.1.1 算法理论 | 第34页 |
| 4.1.2 Adaboost算法的改进方法 | 第34-35页 |
| 4.2 随机森林算法理论 | 第35-40页 |
| 4.2.1 决策树算法理论 | 第35-36页 |
| 4.2.2 Bagging算法理论 | 第36页 |
| 4.2.3 随机森林算法理论 | 第36-40页 |
| 4.3 基于改进Adaboost的随机森林算法在销售量预测中的应用 | 第40-46页 |
| 4.3.1 预测算法思想 | 第40页 |
| 4.3.2 预测算法与步骤 | 第40-43页 |
| 4.3.3 实验仿真与结果分析 | 第43-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第五章 总结与展望 | 第47-49页 |
| 5.1 论文总结 | 第47-48页 |
| 5.2 展望及后续工作 | 第48-49页 |
| 参考文献 | 第49-53页 |
| 附录1 异常检测模型核心代码 | 第53-56页 |
| 附录2 销量预测模型核心代码 | 第56-59页 |
| 致谢 | 第59-60页 |
| 作者攻读学位期间发表的学术论文目录 | 第60页 |
