基于一卡通数据的消费行为与成绩的关联性研究分析
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第1章 绪论 | 第8-12页 |
| ·课题的研究背景及其意义 | 第8-9页 |
| ·课题的主要工作 | 第9-10页 |
| ·论文的组织结构 | 第10-12页 |
| 第2章 数据挖掘技术 | 第12-20页 |
| ·数据挖掘概述 | 第12-13页 |
| ·数据挖掘的一般过程 | 第13-15页 |
| ·数据的预处理过程 | 第13-14页 |
| ·数据挖掘阶段 | 第14页 |
| ·结果的解释和评估 | 第14-15页 |
| ·数据挖掘的功能 | 第15-17页 |
| ·数据挖掘的方法 | 第17-19页 |
| ·数据挖掘的研究现状 | 第19页 |
| ·本章小结 | 第19-20页 |
| 第3章 校园一卡通的数据预处理 | 第20-30页 |
| ·数据预处理简介 | 第20-21页 |
| ·数据预处理的主要任务 | 第21-22页 |
| ·数据预处理方法 | 第22-24页 |
| ·校园一卡通的数据预处理 | 第24-30页 |
| ·校园一卡通数据库的组成 | 第25页 |
| ·数据清理 | 第25-26页 |
| ·数据集成 | 第26页 |
| ·数据变换 | 第26-27页 |
| ·数据归约 | 第27-30页 |
| 第4章 校园一卡通数据的聚类分析 | 第30-37页 |
| ·聚类分析概述 | 第30-32页 |
| ·聚类算法的要求 | 第30-31页 |
| ·聚类分析的应用 | 第31-32页 |
| ·聚类分析方法的分类 | 第32-33页 |
| ·K-means算法 | 第33-35页 |
| ·k-means算法的基本原理 | 第33-34页 |
| ·K-means算法的问题分析 | 第34-35页 |
| ·校园一卡通数据中消费水平的聚类分析 | 第35-37页 |
| 第5章 校园一卡通数据与成绩的关联性分析 | 第37-53页 |
| ·大学生的消费行为分析 | 第37-40页 |
| ·消费行为与消费习惯 | 第37页 |
| ·大学生消费行为研究分析 | 第37-40页 |
| ·学生的成绩分析 | 第40-42页 |
| ·学习成绩判定方法 | 第40-41页 |
| ·学生成绩与消费行为的初步分析 | 第41-42页 |
| ·关联规则算法的研究 | 第42-45页 |
| ·基本概念和问题描述 | 第42-43页 |
| ·关联规则的基本步骤 | 第43-44页 |
| ·关联规则的分类 | 第44-45页 |
| ·经典的关联规则算法及其改进 | 第45-50页 |
| ·Apriori算法 | 第45页 |
| ·算法的核心思想 | 第45-46页 |
| ·Apriori算法的不足 | 第46页 |
| ·一种改进的关联规则挖掘算法 | 第46-48页 |
| ·算法实例说明 | 第48-49页 |
| ·该改进算法存在的问题与解决方案 | 第49-50页 |
| ·基于该算法的更新策略 | 第50页 |
| ·大学生消费行为与成绩的关联性分析 | 第50-53页 |
| 第6章 总结与展望 | 第53-54页 |
| ·本文工作总结 | 第53页 |
| ·未来工作展望 | 第53-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-57页 |
| 攻读学位期间的研究成果 | 第57页 |
