聚类算法研究及在车险行业中的应用
| 摘要 | 第2-3页 |
| ABSTRACT | 第3-4页 |
| 第一章 绪论 | 第7-12页 |
| 1.1 数据挖掘技术 | 第7-8页 |
| 1.2 聚类技术的研究现状及应用 | 第8-9页 |
| 1.3 数据挖掘技术在国内车险行业的应用现状 | 第9-10页 |
| 1.4 本文的主要研究工作 | 第10-11页 |
| 1.5 论文的组织结构 | 第11-12页 |
| 第二章 数据挖掘中的聚类技术 | 第12-21页 |
| 2.1 聚类分析的概念 | 第12页 |
| 2.2 聚类分析中数据类型及相异性度量方法 | 第12-16页 |
| 2.2.1 聚类分析中的数据类型 | 第12-13页 |
| 2.2.2 常见的相异度计算方法 | 第13-16页 |
| 2.3 聚类方法的主要分类 | 第16-20页 |
| 2.3.1 划分聚类方法 | 第17-18页 |
| 2.3.2 层次聚类方法 | 第18页 |
| 2.3.3 基于密度的聚类方法 | 第18-19页 |
| 2.3.4 基于网格的聚类方法 | 第19-20页 |
| 2.3.5 基于模型的方法 | 第20页 |
| 2.4 本章小结 | 第20-21页 |
| 第三章 K-means 聚类算法的改进 | 第21-42页 |
| 3.1 K-means 聚类算法 | 第21-24页 |
| 3.1.1 K-means 算法的基本思想 | 第21-22页 |
| 3.1.2 K-means 聚类的算法分析 | 第22-23页 |
| 3.1.3 K-means 算法存在的主要问题 | 第23-24页 |
| 3.2 改进算法 ECA | 第24-34页 |
| 3.2.1 空间划分预聚类算法 SPIC | 第24-30页 |
| 3.2.2 邻近簇调整聚类算法 CANC | 第30-34页 |
| 3.3 时间复杂度比较 | 第34页 |
| 3.4 实验分析 | 第34-40页 |
| 3.4.1 实验一 算法执行准确率分析 | 第34-39页 |
| 3.4.2 实验二 算法执行效率分析 | 第39-40页 |
| 3.5 本章小结 | 第40-42页 |
| 第四章 车险业务聚类分析主题的选取 | 第42-47页 |
| 4.1 车险客户细分主题 | 第42-44页 |
| 4.1.1 车险客户细分的实际意义 | 第43页 |
| 4.1.2 车险客户细分的基本要求 | 第43-44页 |
| 4.2 投保险种购买特征分群主题 | 第44-46页 |
| 4.2.1 险种购买的商业理解 | 第44页 |
| 4.2.2 险种购买特征聚类分析的意义 | 第44-46页 |
| 4.3 本章小结 | 第46-47页 |
| 第五章 聚类算法在车险业务中的应用 | 第47-63页 |
| 5.1 车险业务聚类过程 | 第47页 |
| 5.2 数据的选取 | 第47-54页 |
| 5.2.1 选取变量 | 第48-51页 |
| 5.2.2 变量处理 | 第51-52页 |
| 5.2.3 确定细分指标 | 第52-53页 |
| 5.2.4 数据抽取结果 | 第53-54页 |
| 5.3 数据清理和转换 | 第54-56页 |
| 5.3.1 数据清理 | 第54-55页 |
| 5.3.2 数据变换 | 第55-56页 |
| 5.4 车险业务分析原型系统实现 | 第56-62页 |
| 5.4.1 系统功能 | 第57页 |
| 5.4.2 实证分析 | 第57-62页 |
| 5.5 本章小结 | 第62-63页 |
| 结束语 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 致谢 | 第67-68页 |
| 个人简历 | 第68-69页 |
| 在学期间已发表和录用论文 | 第69页 |
