| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1. 绪论 | 第7-11页 |
| 1.1 课题研究背景 | 第7-8页 |
| 1.2 课题的研究现状及意义 | 第8-9页 |
| 1.3 课题的主要工作 | 第9-10页 |
| 1.4 论文的解结构与组织 | 第10-11页 |
| 2. 数据挖掘技术 | 第11-28页 |
| 2.1 数据挖掘的起源 | 第11-14页 |
| 2.2 数据挖掘的过程 | 第14-18页 |
| 2.3 数据挖掘的任务 | 第18-20页 |
| 2.4 数据挖掘系统与工具 | 第20-24页 |
| 2.5 数据挖掘的发展趋势 | 第24-26页 |
| 2.6 本章小结 | 第26-28页 |
| 3. 聚类分析技术 | 第28-34页 |
| 3.1 聚类分析概述 | 第28-30页 |
| 3.2 聚类分析中的数据类型 | 第30-32页 |
| 3.2.1 间隔数值属性 | 第31-32页 |
| 3.2.2 不同变量的相异度的计算方式 | 第32页 |
| 3.3 聚类算法的分类 | 第32-33页 |
| 3.4 常用聚类算法性能比较 | 第33页 |
| 3.5 本章小结 | 第33-34页 |
| 4. 基于PolyAnalyst 下的K-means 聚类实验分析 | 第34-65页 |
| 4.1 PolyAnalyst 软件 | 第34页 |
| 4.2 K-means 算法的详细介绍 | 第34-35页 |
| 4.3 基于PolyAnalyst 平台的K-means聚类分析 | 第35-64页 |
| 4.3.1 数据的来源 | 第35-38页 |
| 4.3.2 利用PolyAnalyst软件下的K-means算法进行分析步骤 | 第38-39页 |
| 4.3.3 在PolyAnalyst下实现不同数据集的聚类结果评价 | 第39-64页 |
| 4.4 本章小结 | 第64-65页 |
| 5. 聚类结果评价 | 第65-90页 |
| 5.1 聚类分析评价有效性概述 | 第65页 |
| 5.2 基于知识的评价方式 | 第65-67页 |
| 5.3 现有聚类评价指标的局限性 | 第67-68页 |
| 5.4 实现K-means算法的改进的组合评价指标 | 第68-70页 |
| 5.5 实验结果与分析 | 第70-89页 |
| 5.6 本章小结 | 第89-90页 |
| 结论 | 第90-91页 |
| 参考文献 | 第91-95页 |
| 在学研究成果 | 第95-96页 |
| 致谢 | 第96页 |
