| 摘要 | 第11-14页 |
| Abstract | 第14-16页 |
| 前言 | 第17-26页 |
| 研究背景 | 第17-18页 |
| 研究现状 | 第18-22页 |
| 研究内容 | 第22-23页 |
| 课题意义 | 第23页 |
| 研究方法 | 第23-24页 |
| 论文结构 | 第24-26页 |
| 第一章 背景知识简介 | 第26-46页 |
| 1.1 本章引言 | 第26页 |
| 1.2 逐步判别分析（Stepwise discriminant analysis） | 第26-27页 |
| 1.3 传统统计建模中的判别分析 | 第27-30页 |
| 1.3.1 距离判别分析（Distance discriminant analysis） | 第27-28页 |
| 1.3.2 Fisher判别分析（Fisher discriminant analysis） | 第28-29页 |
| 1.3.3 极大似然判别分析（Maximum likelihood discriminant analysis） | 第29-30页 |
| 1.4 Bayes 统计建模中的判别分析 | 第30-32页 |
| 1.4.1 Bayes判别分析（Bayes discriminant analysis） | 第30-31页 |
| 1.4.2 Bayes公式判别分析（Bayes formula discriminant analysis） | 第31-32页 |
| 1.5 机器学习中的判别分析 | 第32-43页 |
| 1.5.1 决策树（Decision tree, DT） | 第32-36页 |
| 1.5.2 人工神经网络（artificial neural network, ANN） | 第36-38页 |
| 1.5.3 支持向量机（support vector machine, SVM） | 第38-42页 |
| 1.5.4 集成学习（ensemble learning） | 第42-43页 |
| 1.6 模型性能评估方法介绍 | 第43-45页 |
| 1.6.1 k折交叉验证（k-fold cross validation） | 第44页 |
| 1.6.2 模型性能指标计算 | 第44-45页 |
| 1.7 本章小结 | 第45-46页 |
| 第二章 数据来源、整理和统计描述 | 第46-60页 |
| 2.1 数据来源 | 第46-47页 |
| 2.2 数据整理 | 第47-49页 |
| 2.3 数据统计描述 | 第49-55页 |
| 2.4 数据预分析 | 第55-59页 |
| 2.4.1 预后影响因素初始集合的确定： | 第55-56页 |
| 2.4.2 预后影响因素筛选 | 第56-59页 |
| 2.5 本章小结 | 第59-60页 |
| 第三章 传统统计建模与Bayes统计建模的分类模型构建与结果 | 第60-76页 |
| 3.1 本章引言 | 第60页 |
| 3.2 传统统计建模的分类模型构建与结果 | 第60-69页 |
| 3.2.1 距离判别分析 | 第60-63页 |
| 3.2.2 Fisher判别分析 | 第63-65页 |
| 3.2.3 极大似然判别分析 | 第65-69页 |
| 3.3 Bayes统计建模的分类模型构建与结果 | 第69-75页 |
| 3.3.1 Bayes判别分析 | 第69-72页 |
| 3.3.2 Bayes公式判别分析 | 第72-75页 |
| 3.4 本章小结 | 第75-76页 |
| 第四章 机器学习中的分类模型构建与结果 | 第76-96页 |
| 4.1 本章引言 | 第76页 |
| 4.2 决策树 | 第76-83页 |
| 4.2.1 Simple决策树 | 第77-78页 |
| 4.2.2 Medium决策树 | 第78-79页 |
| 4.2.3 Complex决策树 | 第79-83页 |
| 4.3 人工神经网络 | 第83-86页 |
| 4.4 支持向量机 | 第86-91页 |
| 4.4.1 Linear SVM模型 | 第87-88页 |
| 4.4.2 Gaussian SVM模型 | 第88-91页 |
| 4.5 集成学习（基于决策树） | 第91-94页 |
| 4.5.1 Bagging-DT模型 | 第91-92页 |
| 4.5.2 Adaboost-DT模型 | 第92-94页 |
| 4.6 本章小结 | 第94-96页 |
| 第五章 组合建模理论与实践研究 | 第96-103页 |
| 5.1 本章引言 | 第96页 |
| 5.2 Bagging-Bayes模型 | 第96-99页 |
| 5.3 Adaboost-Bayes模型 | 第99-102页 |
| 5.4 本章小结 | 第102-103页 |
| 第六章 讨论 | 第103-108页 |
| 6.1 变量选择合理性分析 | 第103-104页 |
| 6.2 不平衡数据集的分类分析问题探讨 | 第104页 |
| 6.3 模型泛化性能比较分析探讨 | 第104-107页 |
| 6.3.1 全部模型泛化性能比较 | 第105-106页 |
| 6.3.2 三种决策树比较分析探讨 | 第106页 |
| 6.3.3 Gaussian SVM与Linear SVM模型比较分析探讨 | 第106页 |
| 6.3.4 四种集成学习模型比较分析探讨 | 第106-107页 |
| 6.3.5 Gaussian SVM与Bagging-DT模型比较分析探讨 | 第107页 |
| 6.4 研究局限性 | 第107-108页 |
| 第七章 结论与展望 | 第108-111页 |
| 7.1 研究结论 | 第108-109页 |
| 7.2 创新点 | 第109页 |
| 7.3 课题展望 | 第109-111页 |
| 参考文献 | 第111-119页 |
| 附录A 本课题部分SAS宏程序 | 第119-127页 |
| 作者在学期间取得的学术成果 | 第127-128页 |
| 附件 | 第128-136页 |
| 主要简历 | 第136-138页 |
| 致谢 | 第138页 |
