| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 疾病诊断研究现状 | 第9-10页 |
| 1.2.2 多分类器集成研究现状 | 第10-11页 |
| 1.3 论文的主要工作及组织结构 | 第11-13页 |
| 1.3.1 论文的主要工作 | 第11-12页 |
| 1.3.2 论文的组织结构 | 第12-13页 |
| 第二章 基于机器学习的疾病诊断 | 第13-26页 |
| 2.1 疾病诊断过程 | 第13页 |
| 2.2 数据的预处理 | 第13-16页 |
| 2.2.1 数据归一化处理 | 第14页 |
| 2.2.2 数据降维技术 | 第14-16页 |
| 2.2.3 数据不平衡处理方法 | 第16页 |
| 2.3 评价指标 | 第16-18页 |
| 2.4 分类算法 | 第18-22页 |
| 2.4.1 SVM分类算法 | 第18-21页 |
| 2.4.2 KNN分类算法 | 第21-22页 |
| 2.5 实验描述及结果分析 | 第22-24页 |
| 2.5.1 实验描述 | 第22-23页 |
| 2.5.2 结果分析 | 第23-24页 |
| 2.6 本章小结 | 第24-26页 |
| 第三章 多分类器集成诊断模型 | 第26-37页 |
| 3.1 多分类器集成概述 | 第26-28页 |
| 3.1.1 单分类器 | 第27页 |
| 3.1.2 组合策略 | 第27-28页 |
| 3.2 典型集成算法 | 第28-31页 |
| 3.2.1 Adaboost集成算法 | 第28-29页 |
| 3.2.2 Bagging集成算法 | 第29-31页 |
| 3.3 集成诊断模型 | 第31-34页 |
| 3.3.1 Adaboost_SVM多分类器集成诊断模型 | 第31-33页 |
| 3.3.2 Bagging_SVM多分类器集成诊断模型 | 第33-34页 |
| 3.4 实验描述及结果分析 | 第34-35页 |
| 3.4.1 实验描述 | 第34页 |
| 3.4.2 结果分析 | 第34-35页 |
| 3.5 本章小结 | 第35-37页 |
| 第四章 基于多样性与准确率的多分类器选择性集成诊断模型 | 第37-46页 |
| 4.1 选择性集成理论 | 第37-39页 |
| 4.2 多分类器选择性集成框架 | 第39-43页 |
| 4.2.1 多样性的定义与度量方法 | 第39-41页 |
| 4.2.2 基分类器选取准则 | 第41-42页 |
| 4.2.3 基分类器选取算法 | 第42页 |
| 4.2.4 选择性集成框架 | 第42-43页 |
| 4.3 基于WDA与GA的选择性集成诊断模型 | 第43-44页 |
| 4.4 实验描述与结果分析 | 第44-45页 |
| 4.4.1 实验描述 | 第44页 |
| 4.4.2 结果分析 | 第44-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第五章 总结与展望 | 第46-48页 |
| 5.1 主要工作回顾 | 第46-47页 |
| 5.2 本课题今后需进一步研究的地方 | 第47-48页 |
| 参考文献 | 第48-51页 |
| 个人简历 | 第51-52页 |
| 致谢 | 第52页 |
