| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 1 引言 | 第10-14页 |
| ·研究意义、目的及研究背景 | 第10-12页 |
| ·研究内容与主要工作 | 第12-13页 |
| ·论文组织结构 | 第13-14页 |
| 2 机器学习中的特征选择概述 | 第14-26页 |
| ·特征选择基本概念和一般过程 | 第14-16页 |
| ·特征选择的分类综述 | 第16-21页 |
| ·按照搜索策略划分特征选择算法 | 第16-18页 |
| ·按照评价标准划分特征选择算法 | 第18-21页 |
| ·典型特征选择算法介绍 | 第21-24页 |
| ·Filter 类 | 第21-24页 |
| ·Wrapper 类 | 第24页 |
| ·特征选择算法的选用 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 3 一种基于互信息和遗传算法的组合式特征选择算法 | 第26-44页 |
| ·信息论度量 | 第26-29页 |
| ·信息熵 | 第26-27页 |
| ·条件熵 | 第27-28页 |
| ·联合熵 | 第28页 |
| ·互信息 | 第28-29页 |
| ·遗传算法简介 | 第29-33页 |
| ·遗传算法的特点 | 第29-30页 |
| ·遗传算法的组成部分 | 第30-32页 |
| ·遗传算法的基本步骤 | 第32-33页 |
| ·MI-GA 组合式特征选择算法 | 第33-39页 |
| ·算法的提出 | 第33-34页 |
| ·MI-GA 算法总体描述 | 第34-35页 |
| ·基于互信息的特征预筛选 | 第35-37页 |
| ·基于遗传算法的Wrapper 方法 | 第37-38页 |
| ·MI-GA 具体参数设置 | 第38-39页 |
| ·实验结果及分析 | 第39-43页 |
| ·实验数据 | 第39页 |
| ·实验方法 | 第39-40页 |
| ·实验结果及讨论 | 第40-43页 |
| ·本章小结 | 第43-44页 |
| 4 集成学习中的特征选择 | 第44-55页 |
| ·集成学习概述 | 第44-50页 |
| ·基本概念 | 第44-46页 |
| ·集成学习有效性的条件 | 第46页 |
| ·个体生成方法 | 第46-50页 |
| ·结论生成方法 | 第50页 |
| ·一种基于交叉验证和ReliefF 的集成学习算法 | 第50-52页 |
| ·算法提出的动机 | 第50-51页 |
| ·算法描述 | 第51-52页 |
| ·实验结果及分析 | 第52-54页 |
| ·实验数据 | 第52页 |
| ·实验方法 | 第52-53页 |
| ·实验结果及讨论 | 第53-54页 |
| ·本章小结 | 第54-55页 |
| 5 无监督学习中的特征选择 | 第55-63页 |
| ·无监督学习 | 第55-56页 |
| ·无监督学习中的特征选择 | 第56-60页 |
| ·一种典型的无监督特征选择算法 | 第60-62页 |
| ·本章小结 | 第62-63页 |
| 6 结束语 | 第63-64页 |
| ·本文工作总结 | 第63页 |
| ·未来工作展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-69页 |
| 个人简历、在学期间发表的学术论文 | 第69页 |