| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 数据集的选取 | 第13-15页 |
| 1.2.2 特征选择 | 第15-16页 |
| 1.2.3 分类模型构建 | 第16-17页 |
| 1.3 研究内容 | 第17页 |
| 1.4 论文结构 | 第17-19页 |
| 第2章 癌症分类概述 | 第19-37页 |
| 2.1 数据集 | 第19-25页 |
| 2.1.1 微阵列数据 | 第19-22页 |
| 2.1.2 DNA甲基化水平数据 | 第22-24页 |
| 2.1.3 TCGA数据库 | 第24-25页 |
| 2.2 特征选择 | 第25-29页 |
| 2.2.1 特征选择的框架 | 第25-27页 |
| 2.2.2 常用的特征选择算法 | 第27-29页 |
| 2.3 分类预测 | 第29-35页 |
| 2.3.1 支持向量机 | 第29-31页 |
| 2.3.2 决策树 | 第31-32页 |
| 2.3.3 最近邻算法-KNN | 第32页 |
| 2.3.4 Naive Bayes | 第32-33页 |
| 2.3.5 随机森林 | 第33-34页 |
| 2.3.6 集成学习 | 第34-35页 |
| 2.4 分类性能评价指标 | 第35-36页 |
| 2.5 小结 | 第36-37页 |
| 第3章 数据集的处理与特征选择 | 第37-42页 |
| 3.1 数据集的处理 | 第37-39页 |
| 3.1.1 数据预处理 | 第37-38页 |
| 3.1.2 数据平衡化处理-SMOTE算法 | 第38-39页 |
| 3.2 特征选择-MRMR方法 | 第39-40页 |
| 3.3 十折交叉验证 | 第40-41页 |
| 3.4 小结 | 第41-42页 |
| 第4章 基于基因表达谱和DNA甲基化的癌症分类预测方法 | 第42-47页 |
| 4.1 本文实验步骤 | 第42-43页 |
| 4.2 数据集的构建 | 第43-44页 |
| 4.2.1 数据集的下载和预处理 | 第43页 |
| 4.2.2 数据集的平衡化实现 | 第43-44页 |
| 4.3 特征选择的实现 | 第44页 |
| 4.4 分类模型的构建 | 第44-45页 |
| 4.4.1 KNN分类模型 | 第44页 |
| 4.4.2 SVM分类模型 | 第44页 |
| 4.4.3 Random Forest分类模型 | 第44-45页 |
| 4.4.4 Naive Bayes分类模型 | 第45页 |
| 4.5 模型评估指标 | 第45-46页 |
| 4.6 小结 | 第46-47页 |
| 第5章 实验结果和分析 | 第47-57页 |
| 5.1 实验环境 | 第47页 |
| 5.1.1 PyCharm介绍 | 第47页 |
| 5.1.2 实验环境 | 第47页 |
| 5.2 模型参数设置 | 第47-48页 |
| 5.3 实验一: 未进行平衡化未特征选择 | 第48-49页 |
| 5.4 实验二: 先平衡预处理未特征选择 | 第49-50页 |
| 5.5 实验三: 先平衡预处理再特征选择 | 第50-53页 |
| 5.6 实验四: 综合对比实验 | 第53-55页 |
| 5.7 小结 | 第55-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 附录A 攻读学位期间所发表的学术论文 | 第63-64页 |
| 致谢 | 第64页 |