| 提要 | 第1-7页 |
| 第1章 绪论 | 第7-11页 |
| ·研究背景 | 第7页 |
| ·国内外研究现状 | 第7-8页 |
| ·本文的主要工作及研究意义 | 第8-11页 |
| 第2章 支持向量机及其理论基础 | 第11-16页 |
| ·基础理论 | 第11-13页 |
| ·机器学习问题描述 | 第11-12页 |
| ·分析方法 | 第12-13页 |
| ·支持向量机 | 第13-16页 |
| ·最优分类面 | 第13-14页 |
| ·广义最优分类面 | 第14-15页 |
| ·核函数 | 第15-16页 |
| 第3章 特征选择方法 | 第16-28页 |
| ·特征选择概述 | 第16-18页 |
| ·特征选择算法分类 | 第18-21页 |
| ·按照不同的搜索策略分类 | 第18页 |
| ·按照特征评价标准分类 | 第18-21页 |
| ·特征选择方法的选取原则 | 第21-22页 |
| ·影响特征选择方法的因素 | 第21页 |
| ·选取原则 | 第21-22页 |
| ·SVM-RFE 算法 | 第22-28页 |
| ·相关系数与特征排序 | 第23页 |
| ·SVM 与特征排序 | 第23-24页 |
| ·SVM-RFE 算法描述 | 第24-25页 |
| ·SVM-RFE 算法的有效性分析 | 第25-28页 |
| 第4章 SVM-RFE 及kd-tree 在数据分析中的应用 | 第28-47页 |
| ·实验数据来源及描述 | 第28-30页 |
| ·航海人员的血液生化数据 | 第28-29页 |
| ·冠心病数据 | 第29-30页 |
| ·肾病数据 | 第30页 |
| ·实验方法 | 第30-34页 |
| ·基于kd-tree 方法的训练集及测试集的生成 | 第30-33页 |
| ·本文所用的 SVM-RFE 算法 | 第33页 |
| ·分类器的参数选择 | 第33-34页 |
| ·数据归一化 | 第34页 |
| ·实验结果与讨论 | 第34-43页 |
| ·特征子集的选择 | 第34-35页 |
| ·实验结果 | 第35-38页 |
| ·实验结果的有效性分析 | 第38-39页 |
| ·与 T-test 结果比较 | 第39-43页 |
| ·临床意义分析 | 第43-46页 |
| ·结论 | 第46-47页 |
| 第5章 总结与展望 | 第47-49页 |
| ·总结 | 第47-48页 |
| ·展望 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 致谢 | 第52-53页 |
| 摘要 | 第53-56页 |
| Abstract | 第56-59页 |