| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-15页 |
| 1.1 课题研究背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 妊娠期检验数据挖掘的难点 | 第13-14页 |
| 1.4 本论文的组织结构 | 第14-15页 |
| 2 数据挖掘技术及研究现状和工具的选择 | 第15-26页 |
| 2.1 数据挖掘技术概述 | 第15-19页 |
| 2.1.1 数据库中的知识发现 | 第15-16页 |
| 2.1.2 数据挖掘的体系结构 | 第16-17页 |
| 2.1.3 数据挖掘的任务 | 第17-18页 |
| 2.1.4 数据挖掘的算法 | 第18-19页 |
| 2.2 可视化数据挖掘 | 第19-23页 |
| 2.2.1 可视化数据挖掘步骤 | 第19-21页 |
| 2.2.2 可视化数据挖掘技术 | 第21-23页 |
| 2.3 工具的选择 | 第23-25页 |
| 2.3.1 Weak | 第23-24页 |
| 2.3.2 R | 第24-25页 |
| 2.3.3 MySQL | 第25页 |
| 2.4 本章小结 | 第25-26页 |
| 3 妊娠期检验数据预处理 | 第26-40页 |
| 3.1 数据清洗 | 第26-32页 |
| 3.1.1 算法思想 | 第27页 |
| 3.1.2 无监督的步进式算法描述 | 第27-29页 |
| 3.1.3 归一化式的距离压缩(NCD) | 第29页 |
| 3.1.4 实验评价 | 第29-32页 |
| 3.1.4.1 基准模型 | 第29-30页 |
| 3.1.4.2 结果 | 第30-32页 |
| 3.2 数据转换 | 第32-33页 |
| 3.3 数据归约 | 第33页 |
| 3.4 妊娠期检验数据预处理情况 | 第33-39页 |
| 3.4.1 数据选择与清洗 | 第33-34页 |
| 3.4.2 数据集成 | 第34-38页 |
| 3.4.3 妊娠期检验数据概况 | 第38-39页 |
| 3.5 本章小结 | 第39-40页 |
| 4 基于妊娠期检验数据的聚类分析与结果可视化 | 第40-60页 |
| 4.1 数据相似度 | 第40-41页 |
| 4.2 K-Means聚类算法分析与应用 | 第41-49页 |
| 4.2.1 传统的k-means算法的思想 | 第41页 |
| 4.2.2 改进的k-means聚类算法 | 第41-45页 |
| 4.2.2.1 改进的出发点和思想 | 第41-42页 |
| 4.2.2.2 相关概念 | 第42页 |
| 4.2.2.3 改进的k-means算法的描述 | 第42-43页 |
| 4.2.2.4 实验与结果分析 | 第43-45页 |
| 4.2.3 k-means算法对检验数据的挖掘应用 | 第45-49页 |
| 4.3 密度聚类(DBSCAN)分析 | 第49-54页 |
| 4.3.1 密度聚类 | 第49页 |
| 4.3.2 对数据的分析 | 第49-54页 |
| 4.4 期望最大化聚类分析 | 第54-59页 |
| 4.4.1 期望最大化聚类 | 第54页 |
| 4.4.2 对数据进行分析 | 第54-59页 |
| 4.5 本章小结 | 第59-60页 |
| 5 模型评估 | 第60-68页 |
| 5.1 聚类算法质量评价标准 | 第60-61页 |
| 5.2 各聚类模型的质量评估 | 第61-65页 |
| 5.2.1 k-means算法评估 | 第61-63页 |
| 5.2.1.1 参与聚类属性的评估 | 第61-62页 |
| 5.2.1.2 对k-means算法的模型评估 | 第62-63页 |
| 5.2.2 对密度聚类算法的评估 | 第63-64页 |
| 5.2.3 对期望最大化聚类算法的评估 | 第64-65页 |
| 5.3 聚类算法分析总结 | 第65-67页 |
| 5.4 本章小结 | 第67-68页 |
| 结论 | 第68-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-73页 |
| 攻读学位期间的研究成果 | 第73页 |