隨著信息技術(shù)的迅速發(fā)展和計(jì)算機(jī)信息系統(tǒng)的廣泛運(yùn)用,企業(yè)經(jīng)營活動(dòng)中產(chǎn)生了大量數(shù)據(jù),這些數(shù)據(jù)真實(shí)地反應(yīng)了企業(yè)經(jīng)營的實(shí)際狀況。然而,海量數(shù)據(jù)使得我們無所適從,產(chǎn)生了“數(shù)據(jù)豐富而知識(shí)貧乏”的現(xiàn)象。海量數(shù)據(jù)的背后,往往隱藏著許多擁有決策意義的信息和知識(shí),如果能夠?qū)Ａ繑?shù)據(jù)進(jìn)行分析,發(fā)現(xiàn)它們之間存在的潛在關(guān)系,就能為企業(yè)的經(jīng)營、管理和決策提供支持�；谏鲜霰尘�,數(shù)據(jù)挖掘技術(shù)應(yīng)運(yùn)而生,在很多領(lǐng)域得到廣泛應(yīng)用,其方法主要包括分類、回歸、聚類、預(yù)測(cè)、時(shí)間序列分析、關(guān)聯(lián)規(guī)則、Web挖掘、數(shù)據(jù)可視化等。在激烈的市場(chǎng)競爭環(huán)境下,很多企業(yè)為了能更客觀的把握自身以及市場(chǎng)的商業(yè)狀況,提升快速響應(yīng)外部環(huán)境變化和內(nèi)部經(jīng)營管理和決策力度,希望運(yùn)用有效的數(shù)據(jù)分析工具,更多地分析出隱藏在數(shù)據(jù)中的那些有價(jià)值的、能夠輔助管理和決策的信息和知識(shí)�；谝陨媳尘�,論文運(yùn)用數(shù)據(jù)挖掘軟件SPSS Clementine（Modeler）對(duì)相關(guān)數(shù)據(jù)進(jìn)行分析,分別采用了關(guān)聯(lián)規(guī)則、K-means算法、決策樹以及Logistic回歸模型等常用數(shù)據(jù)挖掘方法,找出隱藏在這些數(shù)據(jù)中的潛在信息,從而為企業(yè)在商業(yè)運(yùn)作中提供有效的決策支持。通過幾種常用數(shù)據(jù)挖掘... 

【文章來源】：景德鎮(zhèn)陶瓷大學(xué)江西省

【文章頁數(shù)】：44 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 國內(nèi)外研究現(xiàn)狀
    1.2 論文研究的主要內(nèi)容
    1.3 論文的結(jié)構(gòu)安排
2 決策樹算法在學(xué)生購買手機(jī)中的分析與應(yīng)用
    2.1 決策樹
        2.1.1 ID3算法
        2.1.2 信息增益計(jì)算方法
        2.1.3 ID3算法流程
        2.1.4 C4.5及C5.0簡介
    2.2 SPSS Clementine軟件介紹
    2.3 數(shù)據(jù)處理
    2.4 實(shí)驗(yàn)過程
    2.5 結(jié)果分析
3 K-Means算法在員工離職中的分析與應(yīng)用
    3.1 聚類分析
    3.2 數(shù)據(jù)處理
    3.3 實(shí)驗(yàn)過程
    3.4 結(jié)果分析
4 關(guān)聯(lián)規(guī)則挖掘在客戶購買商品中的分析與應(yīng)用
    4.1 關(guān)聯(lián)規(guī)則
    4.2 數(shù)據(jù)處理
    4.3 實(shí)驗(yàn)過程
    4.4 結(jié)果分析
5 logistic回歸模型在睡眠客戶預(yù)測(cè)中的應(yīng)用與分析
    5.1 Logistic回歸模型
        5.1.1 一元logistic回歸
        5.1.2 多元logistic回歸
        5.1.3 Logistic回歸假設(shè)條件
    5.2 數(shù)據(jù)處理
        5.2.1 數(shù)據(jù)來源
        5.2.2 數(shù)據(jù)整理
        5.2.3 確定高價(jià)值用戶
    5.3 睡眠用戶定義
    5.4 建立模型及模型評(píng)估
        5.4.1 變量選取
        5.4.2 變量處理
        5.4.3 模型建立
        5.4.4 模型評(píng)估
    5.5 結(jié)果分析
6 結(jié)論與展望
    6.1 論文研究的主要內(nèi)容
    6.2 取得的預(yù)期成果
    6.3 存在的不足及今后進(jìn)一步研究的內(nèi)容
致謝
參考文獻(xiàn)


【參考文獻(xiàn)】：
期刊論文
[1]基于聚類分析和判別分析的學(xué)業(yè)質(zhì)量評(píng)價(jià)研究[J]. 聶淑媛,談發(fā).  吉林省教育學(xué)院學(xué)報(bào)(上旬). 2015(02)
[2]因子分析法和聚類分析法在網(wǎng)上銀行客戶滿意度研究中的應(yīng)用[J]. 趙小寧,李鳳霞.  時(shí)代金融. 2015(03)
[3]基于因子分析和聚類分析上市房地產(chǎn)公司的財(cái)務(wù)風(fēng)險(xiǎn)評(píng)價(jià)[J]. 郭立碩,王兆剛,李星.  中小企業(yè)管理與科技(下旬刊). 2015(01)
[4]中國6個(gè)民族的面部幾何特征聚類分析[J]. 李志潔,段曉東,王存睿.  大連民族學(xué)院學(xué)報(bào). 2015(01)
[5]基于決策類劃分新型多變量決策樹算法實(shí)例分析[J]. 黃俊南.  齊齊哈爾大學(xué)學(xué)報(bào)(自然科學(xué)版). 2015(01)
[6]決策樹算法在村鎮(zhèn)銀行信用風(fēng)險(xiǎn)預(yù)警中的應(yīng)用研究[J]. 安英博,張宇敬,齊曉娜.  無線互聯(lián)科技. 2015(01)
[7]Perturbation analysis for the normalized Laplacian matrices in the multiway spectral clustering method[J]. BORJIGIN SuMuYa,GUO ChongHui.  Science China（Information Sciences）. 2014(11)
[8]基于數(shù)據(jù)挖掘的決策樹算法分析[J]. 杜麗英.  吉林建筑工程學(xué)院學(xué)報(bào). 2014(05)
[9]基于決策樹算法的銀行客戶分類模型[J]. 尹鵬飛,歐云.  吉首大學(xué)學(xué)報(bào)(自然科學(xué)版). 2014(05)
[10]水稻泛素綴合酶基因OsUbc13的分子特征和蛋白互作研究（英文）[J]. Ya WANG,Meng-yun XU,Jian-ping LIU,Mu-gui WANG,Hai-qing YIN,Ju-min TU.  Journal of Zhejiang University-Science B（Biomedicine & Biotechnology）. 2014(07)

碩士論文
[1]聚類分析模型在納稅評(píng)估中的應(yīng)用[D]. 陳艷伍.湖北大學(xué) 2013
[2]基于乘法擾動(dòng)的數(shù)據(jù)挖掘隱私保護(hù)算法研究[D]. 石雅強(qiáng).廣東工業(yè)大學(xué) 2012
[3]決策樹算法在保險(xiǎn)營銷員流失預(yù)測(cè)中的研究與應(yīng)用[D]. 宋祖全.蘭州大學(xué) 2012
[4]基于數(shù)據(jù)挖掘的通信網(wǎng)絡(luò)告警相關(guān)性研究[D]. 安歡.北京郵電大學(xué) 2012
[5]數(shù)據(jù)挖掘在移動(dòng)通信CRM中的應(yīng)用[D]. 劉暢.北京郵電大學(xué) 2011
[6]移動(dòng)通信集團(tuán)客戶價(jià)值評(píng)估模型的研究[D]. 操宜潔.上海交通大學(xué) 2011
[7]關(guān)聯(lián)規(guī)則分析在超市營銷中的應(yīng)用研究[D]. 于芳.哈爾濱工業(yè)大學(xué) 2010



本文編號(hào)：3265287