辅助催报催缴系统模型

摘要

数据挖掘(DataMining)是涉及数据库、人工智能、统计学等学科的一门活跃的研究领域，是从数据库中识别出有效的、新颖的、潜在有用的和最终可理解的知识，并对商务决策做出重要决定的处理过程。数据挖掘致力于数据分析和理解、揭示数据内部蕴藏知识。经过十几年的努力，数据挖掘产生了许多新概念和新方法。特别是最近几年，一些基本概念和方法趋于清晰。目前，税务系统的信息化建设也正由扩张走向集成和数据管理阶段。但是，数据挖掘在税务系统的应用尚处于起步阶段。因此，研究数据挖掘技术在税务系统的应用，具有重要的理论意义和现实价值。 本文对数据挖掘技术，尤其是关联规则数据挖掘技术进行了系统、深入、全面、详尽的分析和研究，主要包括如下一些内容： 数据挖掘技术的分析与研究。论文探讨了数据挖掘的定义、功能、分类和任务。在数据挖掘基本概念的基础上，对数据挖掘常使用的技术、工具进行了详细的分类、归纳和总结。并深入讨论了如何选择要采用的数据挖掘技术和工具。为本文的全面展开奠定了基础。 关联规则数据挖掘技术的分析和研究。关联规则挖掘是数据挖掘中成果颇丰，而且比较活跃的研究分支。本文在介绍关联规则基本概念的基础上，对关联规则的Apriority算法进行了详细的分析和研究，并就目前针对提高该算法效率的各种优化技术也进行了详细的描述。 介绍了CRISP-DM(跨行业数据挖掘过程标准)。作为一种方法论，它描述了数据挖掘的各个阶段，以及各个阶段需要完成的任务，并解释这些任务之间的关系。本文在CRISP-DM的基础上探讨了数据挖掘的基本过程和主要任务。 收集了税收征管系统现有的数据，对这些数据进行了选择和清理，并根据算法所要求的数据类型转换数据。分别用决策树和关联规则算法进行了挖掘，并对挖掘的结果进行了比较和评估，用可视化工具描述模型和结果。所使用的挖掘工具是SPSSClementine8.1。

目录

文摘

英文文摘

独创性声明及关于论文使用授权的说明

第一章绪论

第二章数据挖掘技术

第三章关联规则

第四章数据挖掘的过程(CRISP-DM)

第五章辅助催报催缴模型的建立

第六章结论

致谢

参考文献

附录 数据准备阶段使用的主要脚本

硕士论文修改提纲