| 摘要 | 第10-12页 |
| ABSTRACT | 第12-15页 |
| 主要符号对照表 | 第16-17页 |
| 第一章 引言 | 第17-21页 |
| §1.1 研究背景介绍 | 第17-19页 |
| §1.2 本文的主要内容 | 第19-21页 |
| 第二章 多种治疗方案下的最优分配准则 | 第21-60页 |
| §2.1 引言 | 第21-22页 |
| §2.2 预备知识 | 第22-29页 |
| §2.2.1 因果推断 | 第22-24页 |
| §2.2.2 分类框架下的最优分配准则估计 | 第24-27页 |
| §2.2.3 结果加权学习下的最优分配准则估计 | 第27-29页 |
| §2.3 基于向量化折叶损失的最优分配准则模型 | 第29-33页 |
| §2.4 基于再生核希尔伯特空间的最优分配准则估计 | 第33-37页 |
| §2.5 随机模拟 | 第37-46页 |
| §2.6 定理证明 | 第46-60页 |
| 第三章 不相等损失下的最优分配准则 | 第60-75页 |
| §3.1 引言 | 第60-61页 |
| §3.2 不相等损失下的最优分配准则模型 | 第61-62页 |
| §3.3 不相等损失下的最优分配准则估计 | 第62-65页 |
| §3.4 定理证明 | 第65-75页 |
| 第四章 基于结构化多分类支持向量机的最优分配准则 | 第75-87页 |
| §4.1 引言 | 第75-76页 |
| §4.2 基于泛函方差分解分析的最优分配准则模型 | 第76-77页 |
| §4.3 基于结构化多类别支持向量机的最优分配准则估计 | 第77-81页 |
| §4.4 随机模拟 | 第81-84页 |
| §4.5 相关证明 | 第84-87页 |
| 第五章 自适应协变量筛选过程 | 第87-102页 |
| §5.1 引言 | 第87页 |
| §5.2 自适应协变量筛选框架 | 第87-89页 |
| §5.3 协变量筛选方法 | 第89-95页 |
| §5.3.1 基于稳健秩相关系数的特征筛选方法 | 第89-92页 |
| §5.3.2 基于信息增益的特征筛选方法 | 第92-95页 |
| §5.4 随机模拟 | 第95-102页 |
| 第六章 乳腺癌筛查实例分析 | 第102-108页 |
| §6.1 引言 | 第102-103页 |
| §6.2 数据背景介绍 | 第103-105页 |
| §6.3 模型衡量标准 | 第105-106页 |
| §6.4 实例结果分析 | 第106-108页 |
| 第七章 结论与展望 | 第108-111页 |
| 参考文献 | 第111-118页 |
| 致谢 | 第118-120页 |
| 在学期间的研究成果及发表的论文 | 第120页 |