摘要 | 第4-5页 |
Abstract | 第5页 |
第一章 绪论 | 第9-12页 |
1.1 研究背景和意义 | 第9-10页 |
1.1.1 研究背景 | 第9-10页 |
1.1.2 研究意义 | 第10页 |
1.2 研究内容和目标 | 第10-11页 |
1.2.1 研究内容 | 第10页 |
1.2.2 研究目标 | 第10-11页 |
1.3 国内外研究现状 | 第11页 |
1.4 文章结构 | 第11-12页 |
第二章 数据挖掘与分类标准 | 第12-19页 |
2.1 数据挖掘概述 | 第12-14页 |
2.1.1 概念 | 第12页 |
2.1.2 功能 | 第12-13页 |
2.1.3 数据挖掘项目实施步骤 | 第13-14页 |
2.1.4 应用与发展趋势 | 第14页 |
2.2 微博用户分类标准 | 第14-15页 |
2.2.1 微博用户群分析 | 第14-15页 |
2.3 客户细分理论 | 第15-18页 |
2.3.1 微博营销 | 第15-16页 |
2.3.2 客户细分定义 | 第16-17页 |
2.3.3 客户细分的意义 | 第17页 |
2.3.4 客户细分方法 | 第17-18页 |
2.4 客户细分理论下微博用户分类 | 第18-19页 |
第三章 CRISP‐DM 模型与数据 ETL | 第19-27页 |
3.1 CRISP‐DM 模型 | 第19-21页 |
3.1.1 数据挖掘过程模型 | 第19页 |
3.1.2 Fayyad 与 SEMMA 模型 | 第19-21页 |
3.2 CRISP‐DM 模型 | 第21-23页 |
3.2.1 CRISP‐DM 生命周期 | 第22-23页 |
3.3 数据获取 | 第23-24页 |
3.4 数据验证 | 第24-25页 |
3.5 数据 ETL | 第25页 |
3.6 数据清洗功能 | 第25-27页 |
第四章 对新浪微博用户的分类挖掘 | 第27-34页 |
4.1 聚类算法 | 第27-29页 |
4.1.1 K‐means 算法 | 第28-29页 |
4.2 决策树算法 | 第29-34页 |
4.2.1 决策树算法原理 | 第30页 |
4.2.2 ID3 算法 | 第30-32页 |
4.2.2.1 信息熵定义 | 第30-31页 |
4.2.2.2 ID3 算法 | 第31-32页 |
4.2.2.3 ID 算法优缺点分析 | 第32页 |
4.2.3 CART 算法 | 第32-34页 |
4.2.3.1 CART 算法定义 | 第32-33页 |
4.2.3.2 Gini 指标 | 第33页 |
4.2.3.3 CART 算法结构 | 第33-34页 |
第五章 挖掘实证分析 | 第34-51页 |
5.1 聚类挖掘实证分析 | 第34-51页 |
5.1.1 微博聚类挖掘业务理解 | 第35页 |
5.1.2 微博用户数据理解与数据准备 | 第35-37页 |
5.1.3 建立聚类挖掘模型 | 第37-42页 |
5.1.3.1 建立 k‐means 模型 | 第37-39页 |
5.1.3.2 建立多层聚类模型 | 第39-41页 |
5.1.3.3 评估与部署 | 第41-42页 |
5.1.4 决策树实证分析 | 第42-51页 |
5.1.4.1 以下是使用 ID3 算法也 CART 算法建模的实证过程分析 | 第42页 |
5.1.4.2 建立 ID3 挖掘模型 | 第42-47页 |
5.1.4.3 建立 CART 挖掘模型 | 第47-51页 |
第六章 总结和展望 | 第51-53页 |
6.1 本文内容总结 | 第51-52页 |
6.2 本文的创新之处 | 第52页 |
6.3 本文的不足与展望 | 第52-53页 |
参考文献 | 第53-55页 |
致谢 | 第55-56页 |
攻读硕士学位期间发表的论文 | 第56-57页 |