| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-13页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 智能医疗技术的研究现状 | 第9-10页 |
| 1.2.2 机器学习方法在智能医疗行业的研究现状 | 第10-11页 |
| 1.3 本文主要研究内容 | 第11-12页 |
| 1.4 文章结构 | 第12-13页 |
| 第2章 相关知识介绍 | 第13-23页 |
| 2.1 机器学习的定义与分类 | 第13-16页 |
| 2.1.1 统计学习 | 第14-15页 |
| 2.1.2 VC维理论 | 第15-16页 |
| 2.2 支持向量机相关理论 | 第16-21页 |
| 2.2.1 Adaboost算法简介 | 第17-19页 |
| 2.2.2 Bagging算法简介 | 第19-20页 |
| 2.2.3 PSO算法与机器学习 | 第20-21页 |
| 2.3 集成学习 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 机器学习在癌症诊断中的应用 | 第23-48页 |
| 3.1 乳腺癌诊断介绍 | 第23-25页 |
| 3.2 支持向量机算法在癌症诊断中的应用 | 第25-30页 |
| 3.3 PSO-SVM在癌症诊断中的应用 | 第30-32页 |
| 3.4 GA-SVM在癌症诊断中的应用 | 第32-35页 |
| 3.4.1 遗传算法理论 | 第32页 |
| 3.4.2 具体操作步骤 | 第32-35页 |
| 3.5 集成学习在癌症诊断中的应用 | 第35-47页 |
| 3.5.1 基于Adaboost-SVM的集成学习模型 | 第35-39页 |
| 3.5.2 集成学习的改进策略 | 第39-40页 |
| 3.5.3 集成选择评价及改进 | 第40-45页 |
| 3.5.4 子模型选择集成流程 | 第45-47页 |
| 3.6 本章小结 | 第47-48页 |
| 第4章 实验步骤及结果分析 | 第48-53页 |
| 4.1 实验步骤 | 第48-49页 |
| 4.2 实验结果 | 第49-53页 |
| 第5章 总结与展望 | 第53-55页 |
| 5.1 研究工作总结 | 第53-54页 |
| 5.2 展望 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59页 |