| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 序言 | 第9-13页 |
| 1 引言 | 第13-20页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 数据挖掘研究现状 | 第14-16页 |
| 1.2.2 数据可视化研究现状 | 第16-17页 |
| 1.3 存在问题及解决方案 | 第17-18页 |
| 1.4 本文主要研究内容 | 第18-19页 |
| 1.5 本文整体结构安排 | 第19-20页 |
| 2 相关理论基础 | 第20-29页 |
| 2.1 分类算法概述 | 第20-21页 |
| 2.2 分类算法排名 | 第21-22页 |
| 2.3 主流分类算法分析 | 第22-27页 |
| 2.3.1 Decision Tree算法 | 第22-23页 |
| 2.3.2 Support Vector Machine算法 | 第23-24页 |
| 2.3.3 K-Nearest Neighbor算法 | 第24-26页 |
| 2.3.4 Naive Bayes算法 | 第26-27页 |
| 2.4 分类算法比较 | 第27-29页 |
| 3 基于分类算法的历史数据分析模型 | 第29-39页 |
| 3.1 历史数据分析工作建模 | 第29-30页 |
| 3.2 数据清洗技术 | 第30-32页 |
| 3.2.1 数据清洗标准 | 第30页 |
| 3.2.2 数据清洗方法 | 第30-32页 |
| 3.3 基于时间序列的分类算法 | 第32-34页 |
| 3.3.1 分类算法选择 | 第32-33页 |
| 3.3.2 分类算法优化 | 第33-34页 |
| 3.4 基于PYTHON类库的数据分析 | 第34-36页 |
| 3.4.1 数据分析工具 | 第34-35页 |
| 3.4.2 数据分析方法 | 第35-36页 |
| 3.5 基于前端类库的数据可视化 | 第36-39页 |
| 3.5.1 数据可视化工具 | 第36-37页 |
| 3.5.2 数据可视化方法 | 第37-39页 |
| 4 基于研究生历史数据的分析模型应用 | 第39-49页 |
| 4.1 高校历史数据特点 | 第39-40页 |
| 4.1.1 研究生历史数据概况 | 第39-40页 |
| 4.2 样本数据清洗 | 第40-43页 |
| 4.2.1 样本数据选择 | 第40页 |
| 4.2.2 数据清洗过程 | 第40-43页 |
| 4.3 样本数据分类 | 第43-45页 |
| 4.3.1 数据分类过程 | 第43-45页 |
| 4.4 基于分类算法的论文优秀率分析 | 第45-46页 |
| 4.4.1 数据分析过程 | 第45页 |
| 4.4.2 数据分析结果 | 第45-46页 |
| 4.5 利用ECHARTS的分析结果展示 | 第46-49页 |
| 5 研究生数据分析系统设计与实现 | 第49-71页 |
| 5.1 研究生数据分析系统设计 | 第49-52页 |
| 5.1.1 系统结构设计 | 第49-50页 |
| 5.1.2 系统数据库设计 | 第50页 |
| 5.1.3 系统功能设计 | 第50-51页 |
| 5.1.4 系统安全设计 | 第51-52页 |
| 5.2 系统开发架构 | 第52-54页 |
| 5.2.1 LNMP架构 | 第53-54页 |
| 5.2.2 系统运行环境 | 第54页 |
| 5.3 研究生数据分析系统实现 | 第54-68页 |
| 5.3.1 登录模块实现 | 第54-55页 |
| 5.3.2 招生数据模块实现 | 第55-62页 |
| 5.3.3 培养数据模块实现 | 第62-66页 |
| 5.3.4 学位数据模块实现 | 第66-68页 |
| 5.4 系统测试 | 第68-71页 |
| 5.4.1 系统功能测试 | 第68-69页 |
| 5.4.2 系统安全测试 | 第69-71页 |
| 6 结论 | 第71-73页 |
| 6.1 分析结果及建议 | 第71页 |
| 6.2 存在问题与展望 | 第71-72页 |
| 6.3 总结 | 第72-73页 |
| 参考文献 | 第73-75页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第75-77页 |
| 学位论文数据集 | 第77页 |