| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| §1.1 课题背景 | 第10-13页 |
| §1.2 国内外研究历程与现状 | 第13-15页 |
| §1.3 本课题主要工作内容 | 第15-16页 |
| §1.4 论文结构 | 第16-18页 |
| 第二章 基本技术背景 | 第18-30页 |
| §2.1 数据挖掘概述 | 第18-19页 |
| §2.2 Cox比例风险模型 | 第19-22页 |
| §2.3 K最近邻算法 | 第22-24页 |
| §2.4 支持向量机 | 第24-29页 |
| §2.4.1 支持向量机分类 | 第24-27页 |
| §2.4.2 支持向量机回归 | 第27-29页 |
| §2.5 本章小结 | 第29-30页 |
| 第三章 现有模型的思想和方法与SVM组合模型初探 | 第30-44页 |
| §3.1 RSA复发逼近模型简介 | 第30-31页 |
| §3.2 CART分类回归树模型简介 | 第31-33页 |
| §3.3 MARS多元自适应样条回归模型简介 | 第33页 |
| §3.4 L_1-L_2-SVM联合范数支持向量机模型简介 | 第33-34页 |
| §3.5 基于SVM分类与回归组合的预测模型初探 | 第34-42页 |
| §3.5.1 方法的思想 | 第35-36页 |
| §3.5.2 数据描述与预测模型训练 | 第36-38页 |
| §3.5.3 组合预测模型方法实验结果与分析 | 第38-42页 |
| §3.6 本章小结 | 第42-44页 |
| 第四章 基于二次监督风范的生存模型 | 第44-66页 |
| §4.1 缺失数据的处理方法 | 第44-53页 |
| §4.1.1 截尾数据样本的处理方法及其分析 | 第44-49页 |
| §4.1.2 填充算法的测试与选择 | 第49-53页 |
| §4.2 KNNR-SVMR生存时间预测模型 | 第53-58页 |
| §4.2.1 模型的思想 | 第53-54页 |
| §4.2.2 模型形式与训练 | 第54-58页 |
| §4.3 实验验证 | 第58-64页 |
| §4.3.1 实验内容 | 第58页 |
| §4.3.2 实验数据源 | 第58-59页 |
| §4.3.3 算法有效性验证 | 第59-63页 |
| §4.3.4 预测性能验证 | 第63-64页 |
| §4.4 本章小结 | 第64-66页 |
| 第五章 总结与下一步工作 | 第66-70页 |
| §5.1 总结 | 第66-67页 |
| §5.2 下一步工作 | 第67-70页 |
| 致谢 | 第70-72页 |
| 参考文献 | 第72-78页 |
| 附录A 攻读硕士期间公开发表的论文 | 第78页 |