| 第一章 绪论 | 第1-20页 |
| §1.1 数据挖掘 | 第12-13页 |
| §1.2 质谱数据挖掘 | 第13-15页 |
| §1.3 质谱数据分类 | 第15-20页 |
| 第二章 质谱数据 | 第20-26页 |
| §2.1 质谱及其特性 | 第20-22页 |
| §2.2 质谱特征 | 第22-23页 |
| §2.3 数据格式 | 第23-26页 |
| 第三章 分类方法 | 第26-52页 |
| §3.1 维数的降低 | 第26-31页 |
| §3.1.1 变量选择 | 第26-28页 |
| §3.1.2 主成分分析法和偏最小二乘法 | 第28-31页 |
| §3.2 统计决策理论 | 第31-33页 |
| §3.3 线性分类方法 | 第33-37页 |
| §3.4 非线性分类方法 | 第37-49页 |
| §3.4.1 K最近领域法 | 第37页 |
| §3.4.2 决策树 | 第37-42页 |
| §3.4.3 神经网络 | 第42-45页 |
| §3.4.4 支撑向量机 | 第45-49页 |
| §3.5 总结 | 第49-52页 |
| 第四章 逆切片回归法与分类树的结合 | 第52-64页 |
| §4.1 逆切片回归法的思想与算法 | 第53-55页 |
| §4.2 分类树与逆切片回归法的结合 | 第55-56页 |
| §4.3 实验 | 第56-60页 |
| §4.4 讨论与总结 | 第60-64页 |
| 第五章 助推法(boosting)在化学计量学和质谱分析中的应用 | 第64-80页 |
| §5.1 助推法 | 第65-68页 |
| §5.1.1 助推法的算法和基本思想 | 第65-67页 |
| §5.1.2 神经网络助推法和分类树助推法 | 第67-68页 |
| §5.2 助推法模型的解释 | 第68-70页 |
| §5.2.1 预测变量的相对重要性 | 第69-70页 |
| §5.2.2 偏相关图 | 第70页 |
| §5.3 实验 | 第70-80页 |
| §5.3.1 实验1 | 第70-71页 |
| §5.3.2 实验2 | 第71-72页 |
| §5.3.3 实验3 | 第72-74页 |
| §5.3.4 实验4 | 第74-80页 |
| 第六章 一种推广的助推算法以及它在化学二元分类问题中的应用 | 第80-92页 |
| §6.1 算法理论 | 第81-87页 |
| §6.1.1 贝叶斯最优决策律 | 第81-82页 |
| §6.1.2 G-boosting中分类器的修正权 | 第82-83页 |
| §6.1.3 两种权的比较 | 第83页 |
| §6.1.4 G-boosting中训练样本的修正权 | 第83-86页 |
| §6.1.5 G-boosting的算法 | 第86-87页 |
| §6.2 实验 | 第87-90页 |
| §6.3 总结 | 第90-92页 |
| 第七章 将来的工作和总结 | 第92-102页 |
| §7.1 质谱数据的多类学习问题 | 第92-96页 |
| §7.1.1 多类质谱数据 | 第92页 |
| §7.1.2 多类分类方法 | 第92-95页 |
| §7.1.3 试验结果及讨论 | 第95-96页 |
| §7.2 质谱分类中的其它问题 | 第96-102页 |
| 参考文献 | 第102-114页 |
| 科研成果简介 | 第114-116页 |
| 声明 | 第116-118页 |
| 致谢 | 第118页 |
