基于机器学习算法的胰腺癌诊断模型研究
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 研究背景与问题提出 | 第11-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.2.1 国外计算机辅助诊断癌症研究现状 | 第14-15页 |
| 1.2.2 国内计算机辅助诊断癌症研究现状 | 第15-16页 |
| 1.3 本文的研究内容 | 第16页 |
| 1.4 论文的组织与安排 | 第16-18页 |
| 第2章 胰腺癌诊断模型理论知识与技术支持 | 第18-27页 |
| 2.1 胰腺癌诊断标准 | 第18-19页 |
| 2.2 数据预处理技术 | 第19-23页 |
| 2.2.1 数据清洗 | 第19-20页 |
| 2.2.2 数据变换 | 第20-23页 |
| 2.2.3 数据归约 | 第23页 |
| 2.3 模型的评估标准 | 第23-27页 |
| 2.3.1 模型的选择准则 | 第23-25页 |
| 2.3.2 正则化及交叉验证 | 第25-26页 |
| 2.3.3 模型的泛化能力评估 | 第26页 |
| 2.3.4 精确率召回率及调和均值 | 第26-27页 |
| 第3章 机器学习传统分类算法 | 第27-33页 |
| 3.1 K近邻分类算法 | 第27-28页 |
| 3.2 朴素贝叶斯分类算法 | 第28页 |
| 3.3 逻辑斯谛回归分类算法 | 第28-30页 |
| 3.4 梯度提升树分类算法 | 第30页 |
| 3.5 支持向量机分类算法 | 第30-33页 |
| 3.5.1 线性可分支持向量机学习算法 | 第31页 |
| 3.5.2 线性支持向量机学习算法 | 第31-32页 |
| 3.5.3 非线性支持向量机学习算法 | 第32-33页 |
| 第4章 基于传统分类算法的胰腺癌诊断模型 | 第33-48页 |
| 4.1 胰腺癌诊断模型结构说明 | 第33-35页 |
| 4.2 胰腺癌诊断模型的特征选择 | 第35-37页 |
| 4.2.1 胰腺癌危险因素特征 | 第35-36页 |
| 4.2.2 胰腺癌主要症状特征 | 第36页 |
| 4.2.3 胰腺癌肿瘤标志物特征 | 第36-37页 |
| 4.3 数据采集与预处理 | 第37-42页 |
| 4.3.1 原始数据采集 | 第37-38页 |
| 4.3.2 数据预处理 | 第38-42页 |
| 4.4 胰腺癌诊断模型实现 | 第42-45页 |
| 4.5 胰腺癌诊断模型结果评估 | 第45-48页 |
| 第5章 基于改进支持向量机的胰腺癌诊断模型 | 第48-56页 |
| 5.1 改进的支持向量机算法思想 | 第48页 |
| 5.2 胰腺癌诊断模型实现 | 第48-54页 |
| 5.3 胰腺癌诊断模型结果评估 | 第54-56页 |
| 第6章 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56-57页 |
| 6.2 下一步的工作 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 作者简介及在学期间所取得的科研成果 | 第61-62页 |
| 致谢 | 第62页 |
