| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究工作的背景与意义 | 第10页 |
| 1.2 国内外研究现状与评述 | 第10-13页 |
| 1.3 本文的主要贡献与创新 | 第13-14页 |
| 1.4 本文结构安排 | 第14-15页 |
| 第二章 相关知识介绍 | 第15-30页 |
| 2.1 机器学习概述 | 第15页 |
| 2.2 监督学习 | 第15-17页 |
| 2.3 无监督学习 | 第17-18页 |
| 2.4 降维技术 | 第18-22页 |
| 2.4.1 特征选择 | 第18-21页 |
| 2.4.2 特征提取 | 第21-22页 |
| 2.5 分类器性能评估 | 第22-26页 |
| 2.5.1 性能评估方法 | 第22-24页 |
| 2.5.2 性能评估指标 | 第24-26页 |
| 2.6 粒子群优化算法 | 第26-29页 |
| 2.7 本章小结 | 第29-30页 |
| 第三章 分类诊断模型在疾病诊断中的比较 | 第30-56页 |
| 3.1 数据集描述 | 第31-33页 |
| 3.1.1 乳腺癌疾病数据集 | 第31-32页 |
| 3.1.2 糖尿病数据集 | 第32-33页 |
| 3.2 KNN分类诊断模型 | 第33-38页 |
| 3.2.1 KNN算法 | 第33-36页 |
| 3.2.2 KNN分类诊断模型 | 第36-37页 |
| 3.2.3 实验结果 | 第37-38页 |
| 3.3 Logistic回归分类诊断模型 | 第38-46页 |
| 3.3.1 Logistic回归算法 | 第38-41页 |
| 3.3.2 最优化算法与梯度下降 | 第41-42页 |
| 3.3.3 Logistic回归分类诊断模型 | 第42-45页 |
| 3.3.4 实验结果 | 第45-46页 |
| 3.4 SVM分类诊断模型 | 第46-54页 |
| 3.4.1 SVM算法 | 第46-50页 |
| 3.4.2 SVM分类诊断模型 | 第50-52页 |
| 3.4.3 实验结果 | 第52-54页 |
| 3.5 实验结果对比 | 第54-55页 |
| 3.5.1 分类诊断模型在乳腺癌诊断中的比较 | 第54页 |
| 3.5.2 分类诊断模型在糖尿病诊断中的比较 | 第54-55页 |
| 3.6 本章小结 | 第55-56页 |
| 第四章 集成混合特征选择和线性SVM的乳腺癌诊断模型 | 第56-62页 |
| 4.1 结合相关性与序列选择的混合特征选择方法 | 第56-58页 |
| 4.2 集成混合特征选择和线性SVM的诊断模型 | 第58-60页 |
| 4.3 实验结果和讨论 | 第60-61页 |
| 4.4 本章小结 | 第61-62页 |
| 第五章 集成改进的加速PSO与高斯核SVM的糖尿病诊断模型 | 第62-68页 |
| 5.1 加速粒子群优化算法 | 第62-64页 |
| 5.2 改进的加速粒子群优化算法 | 第64-65页 |
| 5.3 集成改进的加速粒子群优化与高斯核SVM的诊断模型 | 第65-66页 |
| 5.4 实验结果和讨论 | 第66-67页 |
| 5.5 本章小结 | 第67-68页 |
| 第六章 全文总结与展望 | 第68-70页 |
| 6.1 全文总结 | 第68-69页 |
| 6.2 后续工作展望 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-75页 |
