| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.1.1 研究背景 | 第11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 死亡率预测研究现状 | 第12-16页 |
| 1.2.1 传统临床评估系统 | 第12-14页 |
| 1.2.2 基于机器学习的死亡率预测方法 | 第14-16页 |
| 1.3 本文研究内容与组织结构 | 第16-18页 |
| 第2章 模型构建的基本理论 | 第18-30页 |
| 2.1 引言 | 第18页 |
| 2.2 死亡率预测建模一般过程 | 第18-20页 |
| 2.3 主成分分析理论 | 第20-25页 |
| 2.3.1 主要思想 | 第21-22页 |
| 2.3.2 主成分变换过程 | 第22-24页 |
| 2.3.3 pca计算分析 | 第24-25页 |
| 2.4 pso理论 | 第25-27页 |
| 2.4.1 pso基本理论 | 第25-26页 |
| 2.4.2 pso实现流程 | 第26-27页 |
| 2.5 svm理论 | 第27-29页 |
| 2.5.1 svm原理 | 第27-28页 |
| 2.5.2 svm分析 | 第28-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第3章 高维不平衡icu数据的预处理和特征提取 | 第30-45页 |
| 3.1 引言 | 第30页 |
| 3.2 icu数据集介绍和特性分析 | 第30-33页 |
| 3.2.1 icu数据集介绍 | 第30-32页 |
| 3.2.2 icu数据特性分析 | 第32-33页 |
| 3.3 预处理 | 第33-39页 |
| 3.3.1 变量选择和特征处理 | 第33-35页 |
| 3.3.2 异常值去除 | 第35页 |
| 3.3.3 归一化 | 第35-36页 |
| 3.3.4 缺失值填补 | 第36-39页 |
| 3.4 改进的代价敏感pca算法 | 第39-44页 |
| 3.4.1 医疗数据的不平衡和高维现象 | 第39-40页 |
| 3.4.2 mcspca的推导过程 | 第40-42页 |
| 3.4.3 mcspca权重系数的确定 | 第42-43页 |
| 3.4.4 mcspca和cspca降维后效果对比 | 第43-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第4章 高维不平衡icu数据的算法优化 | 第45-54页 |
| 4.1 引言 | 第45页 |
| 4.2 支持向量机参数的选择 | 第45-46页 |
| 4.3 常见的参数寻优方法 | 第46-47页 |
| 4.4 参数优化算法 | 第47-53页 |
| 4.4.1 标准粒子群算法及改进算法 | 第47-48页 |
| 4.4.2 混沌理论 | 第48-49页 |
| 4.4.3 种群粒子的混沌初始化 | 第49-50页 |
| 4.4.4 算法早熟收敛判断及跳出机制 | 第50-51页 |
| 4.4.5 混沌粒子群算法实现 | 第51-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第5章 预测模型和实验结果分析 | 第54-63页 |
| 5.1 引言 | 第54页 |
| 5.2 基于高维不平衡icu数据的预测模型 | 第54-57页 |
| 5.2.1 评价指标和模型评估 | 第54-56页 |
| 5.2.2 预测模型实现流程图 | 第56-57页 |
| 5.3 mcspca主成分个数选择结果 | 第57-58页 |
| 5.4 实验结果与分析 | 第58-62页 |
| 5.4.1 不同特征提取方法比较 | 第58-59页 |
| 5.4.2 不同优化算法比较 | 第59-61页 |
| 5.4.3 不同分类器比较 | 第61-62页 |
| 5.5 本章小结 | 第62-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第70-71页 |
| 致谢 | 第71-72页 |