| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-12页 |
| 1.1 问题的提出及研究背景 | 第8-9页 |
| 1.1.1 问题的提出 | 第8页 |
| 1.1.2 研究背景 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 本文研究的目的和意义 | 第10页 |
| 1.3.1 研究目的 | 第10页 |
| 1.3.2 研究意义 | 第10页 |
| 1.4 研究内容与创新之处 | 第10-12页 |
| 1.4.1 研究内容 | 第10-11页 |
| 1.4.2 创新之处 | 第11-12页 |
| 2 因子分析 | 第12-16页 |
| 2.1 因子分析概述 | 第12页 |
| 2.1.1 概念 | 第12页 |
| 2.1.2 优点 | 第12页 |
| 2.2 因子分析的数学模型 | 第12-16页 |
| 2.2.1 因子分析基本原理 | 第12-13页 |
| 2.2.2 因子分析法相关指标 | 第13页 |
| 2.2.3 因子分析步骤 | 第13-16页 |
| 3 聚类分析算法的改进 | 第16-24页 |
| 3.1 基于K-Modes和K-Means聚类分析 | 第16-17页 |
| 3.1.1 概述 | 第16页 |
| 3.1.2 算法数学模型 | 第16-17页 |
| 3.1.3 算法流程 | 第17页 |
| 3.2 基于模糊中心聚类分析 | 第17-19页 |
| 3.2.1 概述 | 第17-18页 |
| 3.2.2 算法数学模型 | 第18-19页 |
| 3.2.3 算法流程 | 第19页 |
| 3.3 基于信息熵的混合数据聚类分析 | 第19-22页 |
| 3.3.1 概述 | 第19-20页 |
| 3.3.2 数值型属性信息熵模型 | 第20-21页 |
| 3.3.3 分类型属性信息熵模型 | 第21页 |
| 3.3.4 基于信息熵混合数据聚类分析 | 第21-22页 |
| 3.3.5 算法流程 | 第22页 |
| 3.4 本章小结 | 第22-24页 |
| 4 建立评价策略 | 第24-25页 |
| 5 实证分析 | 第25-48页 |
| 5.1 数据描述 | 第25页 |
| 5.2 数据预处理 | 第25-26页 |
| 5.2.1 缺失值处理 | 第25页 |
| 5.2.2 数据类型转化 | 第25-26页 |
| 5.3 描述性分析 | 第26-27页 |
| 5.4 聚类模型效果 | 第27-35页 |
| 5.4.1 基于K-MEANS和K-MODES聚类算法实证分析 | 第27-32页 |
| 5.4.2 基于模糊中心下的混合数据聚类实证分析 | 第32-33页 |
| 5.4.3 基于信息熵混合数据聚类分析 | 第33-35页 |
| 5.5 评价策略 | 第35-47页 |
| 5.5.1 因子分析 | 第35-43页 |
| 5.5.2 评价策略 | 第43-47页 |
| 5.6 本章小结 | 第47-48页 |
| 6 总结 | 第48-49页 |
| 6.1 本文总结工作 | 第48页 |
| 6.2 本文不足之处 | 第48页 |
| 6.3 展望 | 第48-49页 |
| 致谢 | 第49-50页 |
| 参考文献 | 第50页 |