| 摘要 | 第1-3页 |
| Abstract | 第3-6页 |
| 第一章 引言 | 第6-9页 |
| ·中医研究面临的问题 | 第6页 |
| ·数据挖掘(DM)是解决这一问题的有效方法之一 | 第6-7页 |
| ·选用支持向量机(Support Vector Machine)方法的原因 | 第7页 |
| ·本文的主要工作 | 第7页 |
| ·本文的组织结构 | 第7-9页 |
| 第二章 数据挖掘综述 | 第9-16页 |
| ·数据挖掘技术概述 | 第9-11页 |
| ·数据挖掘的概念 | 第9-10页 |
| ·数据挖掘研究现状 | 第10页 |
| ·数据挖掘的基本过程 | 第10-11页 |
| ·数据挖掘的挖掘任务 | 第11-13页 |
| ·数据挖掘系统的评价标准 | 第13-16页 |
| 第三章 SVM概述 | 第16-26页 |
| ·支持向量机的理论基础 | 第16-20页 |
| ·机器学习的基本问题 | 第16页 |
| ·问题的表示 | 第16-17页 |
| ·经验风险最小化(Experience Risk Minimization，ERM) | 第17-18页 |
| ·复杂性与推广能力 | 第18页 |
| ·统计学习理论的核心内容 | 第18页 |
| ·VC维(Vapnik-Chervonenkis Dimension) | 第18-19页 |
| ·推广性的界 | 第19页 |
| ·结构风险最小化 | 第19-20页 |
| ·支持向量机 | 第20-24页 |
| ·线性支持向量机 | 第20-21页 |
| ·非线性支持向量机 | 第21-24页 |
| ·支持向量机目前的应用研究 | 第24-26页 |
| 第四章 SVM训练算法研究 | 第26-36页 |
| ·SVM的数学表达 | 第26页 |
| ·支持向量机训练算法综述 | 第26-36页 |
| ·传统的二次规划解法 | 第26-27页 |
| ·针对大样本集的SVM训练算法 | 第27-28页 |
| ·SMO算法 | 第28-33页 |
| ·改进的SMO算法 | 第33-36页 |
| 第五章 基于RoughSet的属性约简方法研究 | 第36-44页 |
| ·属性约简 | 第36-37页 |
| ·SVM训练算法的复杂度分析 | 第37页 |
| ·RoughSet基本理论 | 第37-40页 |
| ·RoughSet基本概念 | 第37-39页 |
| ·例子 | 第39-40页 |
| ·用RoughSet对样本进行预处理 | 第40-42页 |
| ·基于启发式的最小约简算法基本原理 | 第40-41页 |
| ·一个基于启发式的最小约简算法 | 第41-42页 |
| ·实验分析 | 第42-44页 |
| 第六章 原型系统的设计与实现 | 第44-56页 |
| ·系统整体框架 | 第44-51页 |
| ·预处理部分 | 第44-47页 |
| ·对样本进行训练部分 | 第47-49页 |
| ·预测部分 | 第49-51页 |
| ·应用实例 | 第51-56页 |
| ·IGA肾病数据集 | 第51-52页 |
| ·对IGA肾病数据集进行预处理 | 第52页 |
| ·对样本进行训练和预测 | 第52-54页 |
| ·系统的主要界面图 | 第54-56页 |
| 第七章 总结与展望 | 第56-58页 |
| ·总结 | 第56页 |
| ·展望 | 第56-58页 |
| 附录一 训练模块部分源代码 | 第58-63页 |
| 附录二 预测模块部分源代码 | 第63-67页 |
| 参考文献 | 第67-69页 |
| 攻读硕士学位期间参加的科研项目和发表的学术论文 | 第69-70页 |
| 参加的科研项目: | 第69页 |
| 发表的论文: | 第69-70页 |
| 致谢 | 第70页 |
