基于集成学习的全球人类线粒体DNA发育树研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 引言 | 第11-14页 |
| 1.1 课题研究背景 | 第11-12页 |
| 1.2 本文的主要工作及创新点 | 第12-13页 |
| 1.3 论文组织结构 | 第13-14页 |
| 第二章 生物学的知识 | 第14-17页 |
| 2.1 人类线粒体DNA的结构以及特点 | 第14-15页 |
| 2.2 群体遗传学 | 第15页 |
| 2.3 线粒体DNA单倍型类群的结构和命名 | 第15-17页 |
| 第三章 相关的机器学习方法 | 第17-29页 |
| 3.1 机器学习的相关概念 | 第17-18页 |
| 3.1.1 机器学习算法 | 第17-18页 |
| 3.2 朴素贝叶斯 | 第18-20页 |
| 3.3 神经网络 | 第20-24页 |
| 3.3.1 神经网络定义 | 第20-21页 |
| 3.3.2 softmax回归 | 第21-24页 |
| 3.4 集成学习 | 第24-27页 |
| 3.4.1 Boosting算法 | 第24-26页 |
| 3.4.2 Bagging算法 | 第26-27页 |
| 3.5 增量学习 | 第27-29页 |
| 3.5.1 增量的定义 | 第27-28页 |
| 3.5.2 基于“集成”的增量学习 | 第28-29页 |
| 第四章 基于集成学习的总体设计 | 第29-37页 |
| 4.1 总体流程示意图 | 第29-30页 |
| 4.2 实验数据集说明 | 第30-37页 |
| 4.2.1 数据结构说明 | 第30-32页 |
| 4.2.2 数据集预处理 | 第32-37页 |
| 第五章 算法设计与实现 | 第37-46页 |
| 5.1 神经网络部分 | 第37-39页 |
| 5.2 建立加权朴素贝叶斯模型 | 第39-43页 |
| 5.2.1 朴素贝叶斯 | 第39-40页 |
| 5.2.2. 优化算法 | 第40-43页 |
| 5.3 集成学习 | 第43-44页 |
| 5.4 增量学习 | 第44-46页 |
| 第六章 性能测试与分析 | 第46-54页 |
| 6.1 测试环境介绍 | 第46页 |
| 6.2 测试过程介绍 | 第46-48页 |
| 6.3 测试用例分析 | 第48-54页 |
| 6.3.1 模型性能分析 | 第48-51页 |
| 6.3.2 模型与现有软件的对比 | 第51-54页 |
| 第七章 总结与展望 | 第54-55页 |
| 7.1 工作总结 | 第54页 |
| 7.2 工作展望 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 致谢 | 第58页 |
