基于单元的孤立点算法研究及客户忠诚度分析系统构建
| 摘要 | 第1-4页 |
| Abstract | 第4-10页 |
| 第一章 绪论 | 第10-21页 |
| ·选题背景与研究意义 | 第10-12页 |
| ·国内外相关研究进展 | 第12-15页 |
| ·研究的内容目标 | 第15-19页 |
| ·相关概念介绍 | 第15-16页 |
| ·数据挖掘系统架构 | 第16-17页 |
| ·数据挖掘功能研究 | 第17-19页 |
| ·论文结构 | 第19-21页 |
| 第二章 孤立点发现算法分析与比较 | 第21-28页 |
| ·孤立点发现的研究动态 | 第21-22页 |
| ·基于距离的孤立点检测算法 | 第22-23页 |
| ·基于密度的孤立点发现 | 第23-25页 |
| ·局部异常定义 | 第23-24页 |
| ·局部异常因子计算 | 第24-25页 |
| ·基于偏离的孤立点检测 | 第25-26页 |
| ·高维数据孤立点发现 | 第26页 |
| ·算法比较 | 第26-27页 |
| ·总结与展望 | 第27-28页 |
| 第三章 减少边界影响的孤立点分析算法研究与应用 | 第28-39页 |
| ·引言 | 第28-29页 |
| ·基于距离的孤立点定义 | 第29页 |
| ·基于单元的孤立点算法 | 第29-35页 |
| ·二维空间中单元格的划分和数据对象的分配 | 第29-30页 |
| ·二维空间单元格的结构和性质 | 第30-31页 |
| ·二维空间中阈值M的边界处理 | 第31-32页 |
| ·减少边界影响的孤立点分析算法 | 第32-33页 |
| ·二维情况下的复杂度分析 | 第33页 |
| ·由二维空间到多维空间的扩展 | 第33-34页 |
| ·k-维空间算法的时间复杂度分析 | 第34-35页 |
| ·实例分析 | 第35-36页 |
| ·不作边界处理 | 第35页 |
| ·只处理第一邻居层 | 第35-36页 |
| ·两邻居层同时处理 | 第36页 |
| ·彩色图像人脸边缘提取 | 第36-38页 |
| ·结论 | 第38-39页 |
| 第四章 客户忠诚度分析系统 | 第39-52页 |
| ·引言 | 第39页 |
| ·系统功能简介 | 第39-40页 |
| ·系统整体构架 | 第40页 |
| ·系统模块详细介绍 | 第40-51页 |
| ·数据预处理模块 | 第40-44页 |
| ·数据清理子模块 | 第41-42页 |
| ·数据变换子模块 | 第42-43页 |
| ·数据属性冗余检测 | 第43-44页 |
| ·数据属性离散化 | 第44页 |
| ·忠诚度分析模块 | 第44-50页 |
| ·孤立点分析模块 | 第44-45页 |
| ·聚类分析模块 | 第45-46页 |
| ·预测分析模块 | 第46-50页 |
| ·可视化显示模块 | 第50-51页 |
| ·本章小结 | 第51-52页 |
| 第五章 基于海尔客户关系数据的忠诚度分析 | 第52-60页 |
| ·引言 | 第52页 |
| ·数据选取与处理 | 第52-53页 |
| ·重点客户发现 | 第53-56页 |
| ·D固定M变化的重点客户发现 | 第53-54页 |
| ·M固定D变化时重点客户发现 | 第54-56页 |
| ·D，M值的变化对重点客户发现的影响 | 第56页 |
| ·客户忠诚类别预测 | 第56-59页 |
| ·训练集选取 | 第56-58页 |
| ·客户忠诚类别预测 | 第58-59页 |
| ·本章小结 | 第59-60页 |
| 第六章 全文总结与展望 | 第60-62页 |
| ·全文工作总结 | 第60-61页 |
| ·存在的问题与今后展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66页 |
