| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 引言 | 第8-14页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 高维数据降维方法研究现状 | 第9-12页 |
| 1.3 本文主要内容与结构安排 | 第12-14页 |
| 第2章 特征选择及分类器模型概述 | 第14-27页 |
| 2.1 特征选择概述 | 第14-19页 |
| 2.1.1 特征选择概念 | 第14-15页 |
| 2.1.2 特征选择操作步骤 | 第15-17页 |
| 2.1.3 特征选择方法分类 | 第17-19页 |
| 2.2 分类器模型概述 | 第19-26页 |
| 2.2.1 支持向量机 | 第20页 |
| 2.2.2 朴素贝叶斯 | 第20-21页 |
| 2.2.3 决策树分析 | 第21-25页 |
| 2.2.4 最近邻分类 | 第25-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第3章 基于嵌入式稀疏特征选择算法的遗传位点分析 | 第27-37页 |
| 3.1 遗传位点问题的生物遗传学背景 | 第27页 |
| 3.2 基于重抽样技术的嵌入式稀疏特征选择算法 | 第27-29页 |
| 3.2.1 Logistic-Lasso回归模型 | 第27-28页 |
| 3.2.2 BootstrapLasso算法流程 | 第28-29页 |
| 3.3 实验数据、评价指标及方法 | 第29-31页 |
| 3.3.1 实验数据及预处理 | 第29-30页 |
| 3.3.2 评价指标 | 第30页 |
| 3.3.3 验证方式 | 第30-31页 |
| 3.4 实验结果分析 | 第31-35页 |
| 3.4.1 挑选的特征集 | 第31-32页 |
| 3.4.2 分类准确性 | 第32-33页 |
| 3.4.3 最优特征个数 | 第33-34页 |
| 3.4.4 模型的推广 | 第34-35页 |
| 3.4.5 生物学意义分析 | 第35页 |
| 3.5 本章小结 | 第35-37页 |
| 第4章 基于可固定用户自定义特征的降维算法研究 | 第37-44页 |
| 4.1 引言 | 第37页 |
| 4.2 算法简介 | 第37-38页 |
| 4.2.1 SubLasso算法简介 | 第37-38页 |
| 4.2.2 Sub(filter)Lasso算法流程 | 第38页 |
| 4.3 实验数据及实验目的 | 第38-39页 |
| 4.3.1 实验数据及预处理 | 第38-39页 |
| 4.3.2 实验目的 | 第39页 |
| 4.4 实验结果分析 | 第39-43页 |
| 4.4.1 分类性能方面的比较 | 第39-41页 |
| 4.4.2 Sub(filter)Lasso算法挑选特征的稳健性 | 第41-42页 |
| 4.4.3 Sub(filter)Lasso算法对于其他数据集的泛化性 | 第42-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第5章 结论与展望 | 第44-45页 |
| 参考文献 | 第45-49页 |
| 致谢 | 第49-50页 |
| 附录 | 第50-59页 |
| 附录1 攻读学位期间发表的学术论文和参加的科研项目 | 第50页 |
| 附录2 R语言程序代码 | 第50-59页 |
