| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-17页 |
| 1.1 研究背景 | 第12页 |
| 1.2 研究目的及意义 | 第12-13页 |
| 1.3 研究法及内容 | 第13页 |
| 1.4 国内外相关研究综述 | 第13-15页 |
| 1.5 本研究思路及技术架构 | 第15-16页 |
| 1.6 本章小结 | 第16-17页 |
| 第2章 相关技术理论基础 | 第17-21页 |
| 2.1 数据挖掘技术 | 第17页 |
| 2.2 数据挖掘目的 | 第17-18页 |
| 2.3 数据挖掘方法 | 第18-19页 |
| 2.4 数据挖掘技术实施流程 | 第19-20页 |
| 2.5 本章小结 | 第20-21页 |
| 第3章 高校学生一卡通消费行为与成绩预处理 | 第21-44页 |
| 3.1 数据预处理介绍 | 第21页 |
| 3.2 数据预处理需解决的问题 | 第21页 |
| 3.3 数据预处理思想及方法 | 第21-23页 |
| 3.3.1 数据清理 | 第22页 |
| 3.3.2 数据集成 | 第22-23页 |
| 3.3.3 数据变换 | 第23页 |
| 3.3.4 数据规约 | 第23页 |
| 3.4 高校学生一卡通消费行为及成绩预处理过程 | 第23-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 高校学生一卡通消费数据聚类分析 | 第44-53页 |
| 4.1 数据聚类介绍 | 第44-46页 |
| 4.2 数据聚类算法特征 | 第46-47页 |
| 4.3 数据聚类分析方法 | 第47-48页 |
| 4.3.1 数据划分法 | 第47页 |
| 4.3.2 数据层次分析法 | 第47页 |
| 4.3.3 数据密度聚类法 | 第47-48页 |
| 4.3.4 数据网格法 | 第48页 |
| 4.3.5 数据模型法 | 第48页 |
| 4.4 基于数据划分法（K-means算法）的高校学生一卡通消费数据聚类分析 | 第48-52页 |
| 4.4.1 K-means算法思想 | 第48-49页 |
| 4.4.2 K-means算法应用需注意的问题 | 第49页 |
| 4.4.3 基于K-means算法的高校学生一卡通消费行为水平聚类 | 第49-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第5章 基于校园一卡通数据的高校学生消费行为与成绩的相关性分析 | 第53-64页 |
| 5.1 高校学生消费行为分析 | 第53-55页 |
| 5.2 高校学生学习成绩分析 | 第55-56页 |
| 5.3 高校学生消费行为与学习成绩相关性初步分析 | 第56-58页 |
| 5.4 基于高校学生消费行为与成绩相关性的关联规则算法构建 | 第58-59页 |
| 5.5 一种改进的关联规则挖掘算法更新 | 第59-61页 |
| 5.5.1 算法实例 | 第59-60页 |
| 5.5.2 算法更新 | 第60-61页 |
| 5.6 基于一种改进关联规则挖掘算法的学生消费行为与成绩的相关性 | 第61-63页 |
| 5.7 本章小结 | 第63-64页 |
| 结论与展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70页 |
