基于集成学习的乳腺癌诊断模型研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.2.1 多代理技术在乳腺癌诊断中的研究现状 | 第11页 |
| 1.2.2 人工智能在乳腺癌诊断中的研究现状 | 第11-12页 |
| 1.3 本文的主要工作 | 第12-13页 |
| 1.4 本文的组织结构 | 第13-15页 |
| 第2章 乳腺癌诊断及相关理论分析 | 第15-34页 |
| 2.1 乳腺癌诊断及介绍 | 第15-16页 |
| 2.2 机器学习算法 | 第16-23页 |
| 2.2.1 有监督学习算法 | 第17-20页 |
| 2.2.2 无监督学习算法 | 第20-23页 |
| 2.3 常见机器学习方法介绍 | 第23-32页 |
| 2.3.1 C4.5决策树算法 | 第23-25页 |
| 2.3.2 BP神经网络 | 第25-26页 |
| 2.3.3 集成学习 | 第26-32页 |
| 2.4 模型算法评价标准 | 第32-33页 |
| 2.4.1 混淆矩阵 | 第32页 |
| 2.4.2 评估方法 | 第32-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第3章 模型特征选择 | 第34-42页 |
| 3.1 数据来源以及描述 | 第34页 |
| 3.2 AIC信息准则 | 第34-35页 |
| 3.3 逐步回归 | 第35-38页 |
| 3.4 基于PCA主成份分析的模型特征选择 | 第38-41页 |
| 3.4.1 PCA的基本原理 | 第38-39页 |
| 3.4.2 主成分分析与变量检测 | 第39-40页 |
| 3.4.3 ROC曲线及验证 | 第40-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第4章 乳腺癌诊断模型建立及实验分析 | 第42-52页 |
| 4.1 引言 | 第42页 |
| 4.2 基于C4.5决策树建立乳腺癌诊断模型 | 第42-43页 |
| 4.3 基于BP神经网络建立乳腺癌诊断模型 | 第43-45页 |
| 4.4 基于非同质分类器集成学习的乳腺癌模型研究 | 第45-48页 |
| 4.4.1 集成模型设计 | 第45-46页 |
| 4.4.2 Weka功能简介 | 第46-48页 |
| 4.5 实验过程及结果分析 | 第48-51页 |
| 4.5.1 实验过程 | 第48-51页 |
| 4.5.2 实验结果分析 | 第51页 |
| 4.6 本章小结 | 第51-52页 |
| 第5章 总结与展望 | 第52-54页 |
| 5.1 本文总结 | 第52-53页 |
| 5.2 未来展望 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 致谢 | 第57-58页 |
| 附录 | 第58页 |
