| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-15页 |
| 1.1 研究背景及其意义 | 第10页 |
| 1.2 国内外的研究现状 | 第10-13页 |
| 1.3 本文的主要工作 | 第13-14页 |
| 1.4 论文的组织结构 | 第14-15页 |
| 2 相关理论介绍 | 第15-27页 |
| 2.1 数据挖掘理论基础 | 第15-18页 |
| 2.1.1 数据挖掘的概述 | 第15页 |
| 2.1.2 数据挖掘的过程 | 第15-17页 |
| 2.1.3 数据挖掘的主要任务 | 第17页 |
| 2.1.4 数据挖掘方法 | 第17-18页 |
| 2.2 聚类分析 | 第18-22页 |
| 2.2.1 聚类分析的基本方法 | 第18-20页 |
| 2.2.2 聚类分析的评估 | 第20-22页 |
| 2.3 关联规则 | 第22-23页 |
| 2.3.1 关联规则的相关概念 | 第22-23页 |
| 2.3.2 关联规则的挖掘步骤 | 第23页 |
| 2.4 Voronoi图 | 第23-25页 |
| 2.4.1 Voronoi图的定义 | 第23-24页 |
| 2.4.2 Voronoi图的特性 | 第24-25页 |
| 2.5 WEKA机器学习平台简介 | 第25-26页 |
| 2.5.1 WEKA简介 | 第25-26页 |
| 2.5.2 WEKA功能简介 | 第26页 |
| 2.6 本章小结 | 第26-27页 |
| 3 聚类算法的研究及应用 | 第27-49页 |
| 3.1 K-means聚类算法 | 第27-37页 |
| 3.1.1 K-means算法的思想 | 第27-29页 |
| 3.1.2 K-means算法的优缺点 | 第29-30页 |
| 3.1.3 基于Voronoi图的K-means算法改进 | 第30-34页 |
| 3.1.4 VW-K-means算法的参数设置 | 第34-35页 |
| 3.1.5 实验结果对比分析 | 第35-37页 |
| 3.2 数据准备 | 第37-39页 |
| 3.2.1 校园卡数据的选取 | 第37-38页 |
| 3.2.2 数据预处理 | 第38-39页 |
| 3.3 校园卡流水数据的统计分析 | 第39-44页 |
| 3.3.1 食堂就餐人数的统计分析 | 第39-42页 |
| 3.3.2 学生就餐选择的统计分析 | 第42-43页 |
| 3.3.3 学生消费行为的统计分析 | 第43-44页 |
| 3.4 基于WEKA平台VW-K-means算法的应用 | 第44-48页 |
| 3.4.1 就餐人数的聚类分析 | 第45-47页 |
| 3.4.2 消费水平的聚类分析 | 第47页 |
| 3.4.3 实验结果对比分析 | 第47-48页 |
| 3.5 本章小结 | 第48-49页 |
| 4 关联分析的研究与应用 | 第49-58页 |
| 4.1 Apriori关联算法 | 第49-52页 |
| 4.1.1 Apriori算法的思想 | 第49-51页 |
| 4.1.2 Apriori算法的参数设置 | 第51-52页 |
| 4.2 数据准备 | 第52-53页 |
| 4.3 基于WEKA平台Apriori算法的应用 | 第53-54页 |
| 4.4 分析及评估 | 第54-57页 |
| 4.5 本章小结 | 第57-58页 |
| 5 总结和展望 | 第58-61页 |
| 5.1 本文总结 | 第58-59页 |
| 5.2 研究展望 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-64页 |