| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第12-17页 |
| 1.1 课题的研究背景 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 本文的结构与主要内容 | 第15-17页 |
| 1.3.1 文本的主要工作 | 第15-16页 |
| 1.3.2 本文的结构 | 第16-17页 |
| 第二章 基本概念和基本理论 | 第17-25页 |
| 2.1 信息论基本知识概念 | 第17-19页 |
| 2.1.1 信息熵 | 第17-18页 |
| 2.1.2 条件熵 | 第18页 |
| 2.1.3 互信息量 | 第18页 |
| 2.1.4 信息增益 | 第18-19页 |
| 2.2 最大依赖性准则 | 第19页 |
| 2.3 最大相关性和最小冗余度准则 | 第19页 |
| 2.4 基于信息论的特征选择算法 | 第19-20页 |
| 2.4.1 最小冗余最大相关性算法 | 第19-20页 |
| 2.4.2 互信息特征选择算法 | 第20页 |
| 2.5 Xgboost算法介绍 | 第20-22页 |
| 2.6 贝叶斯最优化算法 | 第22-23页 |
| 2.7 机器学习的分类性能指标 | 第23页 |
| 2.8 本章小结 | 第23-25页 |
| 第三章 基于互信息的组合在特征选择中的研究 | 第25-36页 |
| 3.1 背景介绍 | 第25-26页 |
| 3.2 组合特征的特征选择 | 第26-29页 |
| 3.2.1 组合特征 | 第26-27页 |
| 3.2.2 算法的基本流程 | 第27-29页 |
| 3.2.3 算法的完整性和时间复杂度分析 | 第29页 |
| 3.3 数值实验 | 第29-34页 |
| 3.3.1 虚拟数据实验 | 第29-31页 |
| 3.3.2 真实数据实验 | 第31-34页 |
| 3.4 本章小结 | 第34-36页 |
| 第四章 基于贝叶斯最优化的Xgboost算法在特征选择中的研究 | 第36-43页 |
| 4.1 背景介绍 | 第36页 |
| 4.2 基于贝叶斯最优化改进的Xgboost算法 | 第36-38页 |
| 4.2.1 算法原理 | 第36-37页 |
| 4.2.2 算法的基本流程 | 第37页 |
| 4.2.3 算法的有效性、鲁棒性和完整性分析 | 第37-38页 |
| 4.2.4 算法的时间复杂度分析 | 第38页 |
| 4.3 数值实验 | 第38-41页 |
| 4.3.1 数据集来源 | 第38-39页 |
| 4.3.2 实验环境 | 第39页 |
| 4.3.3 实验流程 | 第39-40页 |
| 4.3.4 五大集成机器学习算法的测试实验 | 第40-41页 |
| 4.3.5 GP_Xgboost算法测试实验 | 第41页 |
| 4.4 本章小结 | 第41-43页 |
| 结论和展望 | 第43-44页 |
| 参考文献 | 第44-47页 |
| 攻读硕士学位期间发表论文 | 第47-49页 |
| 致谢 | 第49页 |