| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究的目的和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 本课题的主要研究内容 | 第14页 |
| 1.3.1 课题来源 | 第14页 |
| 1.3.2 课题的主要研究内容 | 第14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第2章 特征选择方法概述 | 第16-30页 |
| 2.1 特征选择基本框架 | 第16-22页 |
| 2.1.1 特征子集生成 | 第16-18页 |
| 2.1.2 特征子集评价 | 第18-22页 |
| 2.1.3 终止条件 | 第22页 |
| 2.1.4 结果验证 | 第22页 |
| 2.2 特征选择算法分类 | 第22-24页 |
| 2.2.1 Filter模型 | 第22-23页 |
| 2.2.2 Wrapper模型 | 第23-24页 |
| 2.3 机器学习中的分类方法 | 第24-27页 |
| 2.3.1 朴素贝叶斯方法 | 第24-25页 |
| 2.3.2 逻辑回归 | 第25-26页 |
| 2.3.3 支持向量机 | 第26-27页 |
| 2.4 评价指标 | 第27-28页 |
| 2.5 本章小结 | 第28-30页 |
| 第3章 高维二值数据的特征选择方法 | 第30-40页 |
| 3.1 Wrapper特征选择模型框架 | 第30-31页 |
| 3.2 马尔科夫毯理论 | 第31页 |
| 3.3 基于Wrapper模型的两阶段特征选择方法 | 第31-36页 |
| 3.3.1 基于差异标准值的特征排序方法 | 第31-33页 |
| 3.3.2 基于马尔科夫毯的特征选择方法 | 第33-34页 |
| 3.3.3 二值数据的两阶段特征选择方法 | 第34-36页 |
| 3.4 实验结果与讨论 | 第36-38页 |
| 3.5 本章小结 | 第38-40页 |
| 第4章 基于最大信息系数的特征选择方法 | 第40-53页 |
| 4.1 Filter特征选择模型框架 | 第40页 |
| 4.2 基于Filter模型的两阶段特征选择方法 | 第40-44页 |
| 4.2.1 基于均衡增益值的特征排序方法 | 第40-41页 |
| 4.2.2 基于最大信息系数的特征选择方法 | 第41-42页 |
| 4.2.3 高维数据的两阶段特征选择方法 | 第42-44页 |
| 4.3 实验结果与讨论 | 第44-51页 |
| 4.3.1 第一阶段特征选择实验 | 第44-47页 |
| 4.3.2 二分类数据实验结果 | 第47-50页 |
| 4.3.3 多分类数据实验结果 | 第50-51页 |
| 4.4 本章小结 | 第51-53页 |
| 第5章 基于主成分分析的特征选择方法 | 第53-59页 |
| 5.1 主成分分析方法 | 第53-54页 |
| 5.2 基于主成分分析的两阶段特征选择方法 | 第54-55页 |
| 5.3 实验结果与讨论 | 第55-58页 |
| 5.4 本章小结 | 第58-59页 |
| 结论 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 攻读硕士学位期间发表的学术论文 | 第64-65页 |
| 致谢 | 第65页 |