基于信息熵的特征选择算法研究
| 内容提要 | 第1-9页 |
| 第1章 绪论 | 第9-22页 |
| ·研究背景及意义 | 第9-11页 |
| ·数据分类技术 | 第11-15页 |
| ·数据分类的过程 | 第12-13页 |
| ·常用的分类方法 | 第13-15页 |
| ·特征选择技术 | 第15-19页 |
| ·特征选择定义 | 第15-16页 |
| ·研究现状 | 第16-19页 |
| ·本文主要研究内容 | 第19-20页 |
| ·论文组织结构 | 第20-22页 |
| 第2章 信息论与特征选择 | 第22-38页 |
| ·信息论 | 第22-25页 |
| ·信息熵 | 第22-23页 |
| ·联合熵 | 第23-24页 |
| ·条件熵 | 第24页 |
| ·互信息 | 第24页 |
| ·条件互信息 | 第24-25页 |
| ·联合互信息 | 第25页 |
| ·熵的估值 | 第25-29页 |
| ·直方图 | 第25-26页 |
| ·Parzen 窗口 | 第26-27页 |
| ·高斯核函数 | 第27页 |
| ·最近邻 | 第27-28页 |
| ·最小生成树 | 第28-29页 |
| ·特征选择 | 第29-36页 |
| ·特征选择过程 | 第29页 |
| ·搜索策略 | 第29-31页 |
| ·评价标准 | 第31-33页 |
| ·特征选择算法分类 | 第33-36页 |
| ·本章小结 | 第36-38页 |
| 第3章 基于聚类分析的特征选择 | 第38-54页 |
| ·引言 | 第38-39页 |
| ·相关工作 | 第39-41页 |
| ·聚类分析 | 第41-42页 |
| ·距离度量标准 | 第42-44页 |
| ·ISFS 算法实现 | 第44-45页 |
| ·实验比较 | 第45-52页 |
| ·测试数据集 | 第46-47页 |
| ·实验设置 | 第47-48页 |
| ·实验结果及讨论 | 第48-52页 |
| ·本章小节 | 第52-54页 |
| 第4章 基于动态互信息的特征选择 | 第54-75页 |
| ·引言 | 第54-56页 |
| ·信息度量与特征选择 | 第56-61页 |
| ·选择算法的通用框架 | 第56-58页 |
| ·泛化的信息标准 | 第58-61页 |
| ·动态互信息 | 第61-66页 |
| ·实验比较 | 第66-74页 |
| ·数据集 | 第67-68页 |
| ·实验设置 | 第68-69页 |
| ·实验结果及讨论 | 第69-74页 |
| ·本章小结 | 第74-75页 |
| 第5章 基于Boosting 学习的特征选择 | 第75-92页 |
| ·引言 | 第75-76页 |
| ·Boosting 技术 | 第76-78页 |
| ·Boosting 与特征选择 | 第78-80页 |
| ·Boosting 特征选择算法 | 第80-84页 |
| ·实验比较 | 第84-91页 |
| ·测试数据集 | 第84-85页 |
| ·实验设置 | 第85-86页 |
| ·实验结果及讨论 | 第86-91页 |
| ·本章小结 | 第91-92页 |
| 第6章 基于集成学习的特征选择 | 第92-115页 |
| ·引言 | 第92-95页 |
| ·DNA 微阵列技术 | 第95-97页 |
| ·集成学习 | 第97-99页 |
| ·基因选择与集成学习 | 第99-102页 |
| ·新的集成选择算法 | 第102-107页 |
| ·信息相关系数 | 第102-103页 |
| ·基因分组 | 第103-105页 |
| ·集成基因选择 | 第105-107页 |
| ·实验比较 | 第107-113页 |
| ·基因表达数据集 | 第108-110页 |
| ·实验结果与讨论 | 第110-113页 |
| ·本章小结 | 第113-115页 |
| 第7章 总结与展望 | 第115-118页 |
| ·论文内容总结 | 第115-116页 |
| ·未来工作 | 第116-118页 |
| 参考文献 | 第118-126页 |
| 发表的论文和参与的项目 | 第126-127页 |
| 致谢 | 第127-129页 |
| 摘要 | 第129-132页 |
| Abstract | 第132-134页 |
