| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 国内研究现状 | 第16-17页 |
| 1.2.2 国外研究现状 | 第17页 |
| 1.3 研究内容 | 第17-18页 |
| 1.4 章节安排 | 第18-19页 |
| 第2章 癌症分类预测研究概述 | 第19-27页 |
| 2.1 数据源阐述 | 第19-21页 |
| 2.1.1 生物微阵列技术概述 | 第19页 |
| 2.1.2 基因表达谱数据的获取及表示 | 第19-20页 |
| 2.1.3 基因表达谱数据的特点 | 第20-21页 |
| 2.1.4 蛋白质互作网络 | 第21页 |
| 2.2 特征选择简介 | 第21-23页 |
| 2.2.1 特征选择的定义 | 第21-22页 |
| 2.2.2 特征选择算法 | 第22-23页 |
| 2.3 分类算法 | 第23-26页 |
| 2.3.1 支持向量机 | 第23-25页 |
| 2.3.2 K-近邻算法 | 第25页 |
| 2.3.3 随机森林算法 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 数据集的选取与特征选择算法的构建 | 第27-32页 |
| 3.1 数据集选取方法 | 第27-29页 |
| 3.1.1 数据预处理 | 第27-28页 |
| 3.1.2 数据离散化 | 第28页 |
| 3.1.3 互信息 | 第28-29页 |
| 3.1.4 Jaccard相似系数 | 第29页 |
| 3.2 特征选择算法 | 第29-31页 |
| 3.2.1 相关性分析 | 第29页 |
| 3.2.2 相似度分析 | 第29-30页 |
| 3.2.3 特征选择算法流程 | 第30-31页 |
| 3.3 本章小结 | 第31-32页 |
| 第4章 癌症分类预测模型的构建 | 第32-37页 |
| 4.1 多算法多模型构建方法 | 第32-33页 |
| 4.1.1 Bootstrap采样 | 第32页 |
| 4.1.2 SVM分类模型 | 第32-33页 |
| 4.1.3 KNN分类模型 | 第33页 |
| 4.1.4 随机森林分类模型 | 第33页 |
| 4.2 分类预测模型框图 | 第33-34页 |
| 4.3 整体预测步骤 | 第34-35页 |
| 4.3.1 数据集的选取及特征选择 | 第34-35页 |
| 4.3.2 采样空间及分类预测集成模型的构建 | 第35页 |
| 4.3.3 决策模型 | 第35页 |
| 4.4 本章小结 | 第35-37页 |
| 第5章 实验研究 | 第37-48页 |
| 5.1 实验环境 | 第37页 |
| 5.1.1 Python介绍 | 第37页 |
| 5.1.2 实验环境 | 第37页 |
| 5.2 实验概况 | 第37-39页 |
| 5.2.1 实验数据集 | 第38页 |
| 5.2.2 模型参数设置 | 第38页 |
| 5.2.3 模型评估指标 | 第38-39页 |
| 5.3 案例1：平衡因子分析实验 | 第39-40页 |
| 5.4 案例2：特征基因个数对比实验 | 第40-43页 |
| 5.5 案例3：特征选择算法对比实验 | 第43-44页 |
| 5.6 案例4：分类预测模型对比实验 | 第44-46页 |
| 5.7 案例5：特征选择算法及分类预测模型综合对比实验 | 第46-47页 |
| 5.8 本章小结 | 第47-48页 |
| 结论 | 第48-50页 |
| 参考文献 | 第50-55页 |
| 附录A 攻读学位期间所发表的学术论文 | 第55-56页 |
| 致谢 | 第56页 |