机器学习算法在医疗数据分析中的应用
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 课题研究背景 | 第9-10页 |
| 1.2 国内外的研究状况 | 第10-12页 |
| 1.3 论文的内容结构 | 第12-13页 |
| 第2章 课题中的相关技术介绍 | 第13-27页 |
| 2.1 缺失值填补方法missForest | 第13-15页 |
| 2.1.1 missForest引入 | 第13页 |
| 2.1.2 missForest原理 | 第13-15页 |
| 2.2 K近邻算法 | 第15-17页 |
| 2.2.1 k近邻算法原理 | 第15-16页 |
| 2.2.2 k近邻算法特征 | 第16-17页 |
| 2.3 决策树算法 | 第17-19页 |
| 2.3.1 决策树算法原理 | 第17页 |
| 2.3.2 决策树构建基本步骤 | 第17-18页 |
| 2.3.3 决策树算法特征 | 第18-19页 |
| 2.4 支持向量机算法 | 第19-24页 |
| 2.4.1 支持向量机算法原理 | 第19-23页 |
| 2.4.2 支持向量机特征 | 第23-24页 |
| 2.5 随机森林算法 | 第24-27页 |
| 2.5.1 随机森林算法原理 | 第24页 |
| 2.5.2 随机森林的构造 | 第24-25页 |
| 2.5.3 随机森林特征 | 第25-27页 |
| 第3章 机器学习算法在慢性肾病数据分析中的应用 | 第27-46页 |
| 3.1 样本数据的选择和初步整理 | 第27-28页 |
| 3.1.1 数据选择 | 第27-28页 |
| 3.1.2 数据初步处理 | 第28页 |
| 3.2 决策树分类 | 第28-32页 |
| 3.2.1 决策树模型建立 | 第28-30页 |
| 3.2.2 决策树误判率 | 第30页 |
| 3.2.3 变量重要性 | 第30-31页 |
| 3.2.4 决策树预测 | 第31-32页 |
| 3.3 随机森林分类 | 第32-37页 |
| 3.3.1 随机森林模型建立 | 第32-35页 |
| 3.3.2 随机森林变量重要性 | 第35-37页 |
| 3.4 支持向量机和k近邻分类 | 第37-43页 |
| 3.4.1 支持向量机分类 | 第37-40页 |
| 3.4.2 k近邻分类 | 第40-43页 |
| 3.5 各种分类方法的交叉验证 | 第43-46页 |
| 第4章 总结与展望 | 第46-47页 |
| 参考文献 | 第47-49页 |
| 附录 | 第49-54页 |
| 致谢 | 第54页 |
