| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及研究意义 | 第10-11页 |
| 1.2 国内外研究现状分析 | 第11-13页 |
| 1.3 本文研究内容 | 第13-14页 |
| 1.4 本文组织结构 | 第14-16页 |
| 第2章 相关机器学习理论与技术 | 第16-24页 |
| 2.1 机器学习简介 | 第16页 |
| 2.2 机器学习技术在医疗领域的应用 | 第16-17页 |
| 2.3 机器学习技术 | 第17-22页 |
| 2.3.1 支持向量机 | 第17-19页 |
| 2.3.2 随机森林 | 第19-20页 |
| 2.3.3 逻辑回归和稀疏逻辑回归 | 第20-22页 |
| 2.4 本章小结 | 第22-24页 |
| 第3章 SGA数据集的预处理与模型评价指标 | 第24-32页 |
| 3.1 小于胎龄儿数据集 | 第24-26页 |
| 3.1.1 数据集介绍 | 第24页 |
| 3.1.2 小于胎龄儿诊断标准 | 第24-26页 |
| 3.2 数据预处理 | 第26-28页 |
| 3.2.1 病例选择 | 第26页 |
| 3.2.2 变量创建 | 第26-27页 |
| 3.2.3 缺失值处理 | 第27-28页 |
| 3.2.4 对照选择 | 第28页 |
| 3.3 模型评价指标 | 第28-31页 |
| 3.3.1 准确率和召回率 | 第28-29页 |
| 3.3.2 接收者操作曲线和曲线下面积 | 第29-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第4章 基于特征选择的SGA预测模型构建 | 第32-48页 |
| 4.1 特征选择方法 | 第32-35页 |
| 4.1.1 特征选择方法的重要性 | 第32页 |
| 4.1.2 特征选择的过程 | 第32-33页 |
| 4.1.3 特征选择方法介绍 | 第33-35页 |
| 4.2 基于专家知识的Filter-Wrapper混合特征选择算法 | 第35-40页 |
| 4.2.1 算法描述 | 第36-38页 |
| 4.2.2 知识驱动特征子集 | 第38-39页 |
| 4.2.3 mRMR算法 | 第39-40页 |
| 4.3 实验及结果分析 | 第40-47页 |
| 4.3.1 实验设计 | 第40页 |
| 4.3.2 实验工具 | 第40-41页 |
| 4.3.3 利用专家特征构建SGA预测模型 | 第41页 |
| 4.3.4 利用mRMR算法构建SGA预测模型 | 第41-43页 |
| 4.3.5 基于专家知识的Filter-Wrapper算法构建SGA预测模型 | 第43-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第5章 基于数据集特性改进SGA预测模型 | 第48-60页 |
| 5.1 基于不平衡特性的SGA预测模型 | 第48-55页 |
| 5.1.1 不平衡特性 | 第48页 |
| 5.1.2 处理不平衡数据的方法 | 第48-50页 |
| 5.1.3 基于欠采样的Bagging集成学习算法 | 第50-53页 |
| 5.1.4 实验设置及结果 | 第53-55页 |
| 5.2 基于时间特性的SGA预测模型 | 第55-58页 |
| 5.2.1 时间特性 | 第55-56页 |
| 5.2.2 特征集划分 | 第56-57页 |
| 5.2.3 实验及结果分析 | 第57-58页 |
| 5.3 本章小结 | 第58-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间取得的研究成果 | 第66-68页 |
| 致谢 | 第68页 |
