摘要 | 第4-5页 |
Abstract | 第5-6页 |
1 绪论 | 第10-15页 |
1.1 论文的研究背景及意义 | 第10页 |
1.2 研究现状 | 第10-13页 |
1.2.1 k-means聚类算法的研究现状 | 第10-12页 |
1.2.2 客户细分的研究现状 | 第12-13页 |
1.3 论文内容及结构安排 | 第13-15页 |
2 数据挖掘技术中的聚类分析 | 第15-28页 |
2.1 数据挖掘技术 | 第15-16页 |
2.1.1 数据挖掘定义 | 第15页 |
2.1.2 数据挖掘的主要问题 | 第15-16页 |
2.2 聚类分析概述 | 第16-17页 |
2.3 聚类分析中的数据结构及相似度度量 | 第17-21页 |
2.3.1 聚类分析中的数据结构 | 第17-18页 |
2.3.2 聚类分析中的相似度度量 | 第18-21页 |
2.4 数据标准化 | 第21页 |
2.5 聚类准则函数 | 第21-22页 |
2.6 主要聚类方法 | 第22-28页 |
2.6.1 划分方法 | 第23页 |
2.6.2 层次方法 | 第23-24页 |
2.6.3 基于密度的方法 | 第24-26页 |
2.6.4 其他聚类方法 | 第26-28页 |
3 k-means聚类算法分析 | 第28-35页 |
3.1 k-means聚类算法的思想 | 第28-29页 |
3.2 k-means聚类算法的流程 | 第29-32页 |
3.3 k-means聚类算法的优缺点分析及现有改进 | 第32-33页 |
3.3.1 k-means聚类算法的优点分析 | 第32页 |
3.3.2 k-means聚类算法的缺点分析及现有改进 | 第32-33页 |
3.4 现有k值的确定方法 | 第33-34页 |
3.5 现有初始中心点的选取方法 | 第34页 |
3.6 本章小结 | 第34-35页 |
4 基于最大最小距离的改进k-means聚类算法 | 第35-46页 |
4.1 最大最小距离算法 | 第35-36页 |
4.1.1 最大最小距离算法思想 | 第35-36页 |
4.1.2 最大最小距离算法的优缺点分析 | 第36页 |
4.2 分治算法 | 第36-37页 |
4.3 连续属性离散化 | 第37页 |
4.4 BWP指标 | 第37-38页 |
4.4.1 BWP指标相关概念 | 第37-38页 |
4.4.2 最佳聚类数的确定 | 第38页 |
4.5 改进后的k-means聚类算法 | 第38-40页 |
4.6 仿真实验及结果分析 | 第40-45页 |
4.6.1 数据集 | 第40页 |
4.6.2 实验设计 | 第40-41页 |
4.6.3 聚类结果及分析 | 第41-45页 |
4.7 本章小结 | 第45-46页 |
5 改进的k-means算法在电信营销策略方面的应用 | 第46-70页 |
5.1 电信用户细分背景及意义 | 第46-48页 |
5.2 数据集准备及预处理 | 第48-52页 |
5.3 k-means聚类用户细分 | 第52-56页 |
5.3.1 k-means算法聚类数的确定 | 第52-53页 |
5.3.2 聚类过程及结果 | 第53-54页 |
5.3.3 聚类用户特征提取 | 第54-56页 |
5.4 基于最大最小距离的k-means聚类用户细分 | 第56页 |
5.5 改进k-means聚类用户细分 | 第56-59页 |
5.5.1 聚类过程及结果 | 第57-58页 |
5.5.2 聚类用户特征提取 | 第58-59页 |
5.6 不同聚类结果比较及营销策略制定 | 第59-62页 |
5.6.1 聚类结果比较 | 第59-61页 |
5.6.2 营销策略制定 | 第61-62页 |
5.7 Logistic回归用户流失率分析 | 第62-67页 |
5.7.1 线性回归 | 第62-63页 |
5.7.2 Logistic回归理论 | 第63-64页 |
5.7.3 Logistic回归建模步骤 | 第64-65页 |
5.7.4 Logistic模型建立 | 第65-67页 |
5.7.5 Logistic回归用户流失率预测 | 第67页 |
5.8 本章小结 | 第67-70页 |
5.8.1 系统运行支持环境 | 第67-68页 |
5.8.2 结论 | 第68-69页 |
5.8.3 建议 | 第69-70页 |
结论 | 第70-72页 |
致谢 | 第72-73页 |
参考文献 | 第73-76页 |
攻读学位期间的研究成果 | 第76页 |