| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 高维数据挖掘 | 第9-10页 |
| 1.2 自适应稀疏学习 | 第10-12页 |
| 1.2.1 稀疏学习方法 | 第10-11页 |
| 1.2.2 自适应学习方法 | 第11-12页 |
| 1.3 课题来源及研究内容 | 第12-15页 |
| 1.3.1 课题来源 | 第12页 |
| 1.3.2 研究内容 | 第12-15页 |
| 第二章 融合网络分析和信息学理论方法的自适应稀疏群lasso | 第15-35页 |
| 2.1 预备知识 | 第15-17页 |
| 2.1.1 群lasso及其拓展 | 第15-16页 |
| 2.1.2 信息学理论 | 第16-17页 |
| 2.1.3 不平衡数据的评价准则 | 第17页 |
| 2.2 基于条件交互信息的自适应稀疏群lasso | 第17-22页 |
| 2.2.1 加权基因共表达网络的分群方法 | 第17-18页 |
| 2.2.2 群内基因重要性的评价标准 | 第18-19页 |
| 2.2.3 模型构建 | 第19-20页 |
| 2.2.4 求解算法 | 第20-22页 |
| 2.3 实验结果 | 第22-34页 |
| 2.3.1 结肠癌数据 | 第22-27页 |
| 2.3.2 肺癌数据 | 第27-30页 |
| 2.3.3 前列腺癌数据Ⅰ | 第30-33页 |
| 2.3.4 前列腺癌数据Ⅱ | 第33-34页 |
| 2.4 本章小结 | 第34-35页 |
| 第三章 融合网络分析方法的稀疏多项式回归 | 第35-49页 |
| 3.1 预备知识 | 第35-36页 |
| 3.1.1 群惩罚多项式lasso | 第35-36页 |
| 3.1.2 多分类性能的评价准则 | 第36页 |
| 3.2 基于GeneRank的部分自适应群惩罚多项式回归 | 第36-40页 |
| 3.2.1 模型构建 | 第36-38页 |
| 3.2.2 求解算法 | 第38-40页 |
| 3.3 实验结果 | 第40-45页 |
| 3.3.1 数据集描述和模型泛化性能的比较 | 第40-43页 |
| 3.3.2 部分自适应群惩罚多项式回归的通路解 | 第43页 |
| 3.3.3 分类和基因选择性能的比较 | 第43-45页 |
| 3.4 本章小结 | 第45-49页 |
| 第四章 结论与展望 | 第49-51页 |
| 4.1 结论 | 第49页 |
| 4.2 展望 | 第49-51页 |
| 参考文献 | 第51-57页 |
| 致谢 | 第57-59页 |
| 攻读学位期间的科研成果 | 第59-61页 |