| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 数据挖掘分类算法研究现状 | 第10-13页 |
| 1.2.2 分类算法在物流行业应用的研究现状 | 第13-14页 |
| 1.2.3 国内外研究现状总结 | 第14页 |
| 1.3 研究内容 | 第14-15页 |
| 1.4 研究的主要框架 | 第15-18页 |
| 第二章 数据挖掘分类算法概述 | 第18-27页 |
| 2.1 数据挖掘的定义 | 第18-19页 |
| 2.2 数据挖掘过程 | 第19-20页 |
| 2.3 数据挖掘分类算法 | 第20-25页 |
| 2.3.1 贝叶斯算法 | 第20-21页 |
| 2.3.2 决策树算法 | 第21-22页 |
| 2.3.3 支持向量机分类算法 | 第22页 |
| 2.3.4 KNN分类算法 | 第22-25页 |
| 2.4 分类性能的评测 | 第25-26页 |
| 2.4.1 分类性能的评估 | 第25-26页 |
| 2.4.2 分类性能的测试 | 第26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 基于属性约简的Entropy-KNN改进算法 | 第27-37页 |
| 3.1 引言 | 第27页 |
| 3.2 基于信息熵的属性约简 | 第27-29页 |
| 3.2.1 信息熵的概念 | 第27-28页 |
| 3.2.2 相关定义 | 第28-29页 |
| 3.2.3 属性约简步骤 | 第29页 |
| 3.3 基于属性约简的Entropy-KNN改进算法 | 第29-32页 |
| 3.3.1 算法流程 | 第29-30页 |
| 3.3.2 实例分析 | 第30-32页 |
| 3.4 实验结果与分析 | 第32-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 基于聚类的Entropy-KNN改进算法 | 第37-45页 |
| 4.1 引言 | 第37页 |
| 4.2 层次聚类算法概述 | 第37-39页 |
| 4.2.1 凝聚的和分裂的层次聚类 | 第37页 |
| 4.2.2 簇间距离度量方法 | 第37-39页 |
| 4.3 K-means聚类算法概述 | 第39页 |
| 4.4 基于聚类的Entropy-KNN改进算法 | 第39-41页 |
| 4.5 实验结果与分析 | 第41-43页 |
| 4.6 本章小结 | 第43-45页 |
| 第五章 改进算法在物流线路推荐中的应用与验证 | 第45-54页 |
| 5.1 应用背景 | 第45页 |
| 5.2 协同过滤算法的相关概念 | 第45-47页 |
| 5.2.1 传统的K近邻协同推荐算法 | 第45-47页 |
| 5.3 基于改进算法的KNN协同过滤算法 | 第47-52页 |
| 5.3.1 数据清洗和转换 | 第48-51页 |
| 5.3.2 数据建模 | 第51-52页 |
| 5.4 实验结果及分析 | 第52-53页 |
| 5.5 结论 | 第53-54页 |
| 第六章 全文总结与展望 | 第54-56页 |
| 6.1 全文总结 | 第54-55页 |
| 6.2 研究和展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-61页 |
| 硕士期间发表的学术论文 | 第61页 |