基于集成学习与不平衡多标签数据集的儿科常见病预测模型构建
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 相关研究现状 | 第12-14页 |
| 1.3 本文的主要工作 | 第14-15页 |
| 1.4 文章的结构分布 | 第15-17页 |
| 第二章 不平衡多标签数据集的理论基础 | 第17-37页 |
| 2.1 引言 | 第17页 |
| 2.2 多标签分类的相关理论 | 第17-23页 |
| 2.2.1 多标签分类的概念 | 第17-19页 |
| 2.2.2 多标签分类算法结构 | 第19-23页 |
| 2.3 分类算法效果及其性能的评估 | 第23-27页 |
| 2.3.1 单标签主要的评价标准 | 第24页 |
| 2.3.2 多标签主要的评价标准 | 第24-26页 |
| 2.3.3 分类器性能评估方法 | 第26-27页 |
| 2.4 样本不平衡 | 第27-28页 |
| 2.5 重采样技术 | 第28-32页 |
| 2.5.1 SMOTE算法 | 第28-30页 |
| 2.5.2 EasyEnsemble集成方法 | 第30页 |
| 2.5.3 BalanceCascade集成方法 | 第30-32页 |
| 2.6 算法层面 | 第32-33页 |
| 2.7 儿科常见病的实验数据集 | 第33-36页 |
| 2.7.1 实验数据集 | 第33-34页 |
| 2.7.2 样本数据统计 | 第34-36页 |
| 2.7.3 数据预处理 | 第36页 |
| 2.8 本章小结 | 第36-37页 |
| 第三章 集成学习算法的理论基础及应用 | 第37-47页 |
| 3.1 引言 | 第37页 |
| 3.2 Bagging算法 | 第37-39页 |
| 3.3 Boosting分类方法 | 第39-44页 |
| 3.3.1 Boosting的产生与发展 | 第39页 |
| 3.3.2 Boosting基本思想 | 第39-40页 |
| 3.3.3 AdaBoost算法基础 | 第40-44页 |
| 3.4 集成方法的实验结果 | 第44页 |
| 3.5 本章小结 | 第44-47页 |
| 第四章 儿科常见病预测模型的构建 | 第47-57页 |
| 4.1 前言 | 第47页 |
| 4.2 单个疾病标签的预测模型 | 第47-49页 |
| 4.3 儿科常见病的预测模型 | 第49-51页 |
| 4.4 实验结果与分析 | 第51-55页 |
| 4.4.1 单个疾病标签的预测模型实验结果及分析 | 第51-53页 |
| 4.4.2 儿科常见病的预测模型实验结果及分析 | 第53-55页 |
| 4.5 本章小结 | 第55-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 5.1 全文总结 | 第57-58页 |
| 5.2 展望 | 第58-59页 |
| 致谢 | 第59-61页 |
| 参考文献 | 第61-67页 |
| 附录 | 第67页 |
