| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 1 绪论 | 第7-10页 |
| 1.1 生物信息的发展与应用 | 第7页 |
| 1.2 研究的背景及意义 | 第7-8页 |
| 1.3 本文的主要工作 | 第8-10页 |
| 2 生物信息处理中常用的数据挖掘技术 | 第10-21页 |
| 2.1 数据预处理技术 | 第10-11页 |
| 2.1.1 数据标准化 | 第10-11页 |
| 2.1.2 缺失值处理和离群点检测 | 第11页 |
| 2.2 分类技术 | 第11-17页 |
| 2.2.1 支持向量机 | 第12-13页 |
| 2.2.2 k近邻分类器 | 第13-14页 |
| 2.2.3 朴素贝叶斯 | 第14页 |
| 2.2.4 决策树及随机森林 | 第14-16页 |
| 2.2.5 评估分类器性能的方法 | 第16-17页 |
| 2.3 聚类技术分析 | 第17-18页 |
| 2.4 数据降维技术 | 第18-20页 |
| 2.4.1 特征提取 | 第18页 |
| 2.4.2 特征选择 | 第18-20页 |
| 2.5 本章小结 | 第20-21页 |
| 3 改进的基于职业网球选手排名的特征选择算法MPTPR | 第21-33页 |
| 3.1 基于职业网球选手排名的特征选择算法 | 第21-23页 |
| 3.2 MPTPR特征选择算法 | 第23-24页 |
| 3.3 实验与结果讨论 | 第24-32页 |
| 3.3.1 实验设置 | 第24-25页 |
| 3.3.2 实验评价指标 | 第25-26页 |
| 3.3.3 结果讨论 | 第26-32页 |
| 3.4 本章小结 | 第32-33页 |
| 4 基于对称不确定性与k近邻分类器结合的特征选择算法SU-KNN | 第33-44页 |
| 4.1 对称不确定性 | 第33-34页 |
| 4.2 基于对称不确定性与k近邻分类器结合的特征选择算法 | 第34-36页 |
| 4.3 实验与结果 | 第36-37页 |
| 4.3.1 实验设置 | 第36-37页 |
| 4.3.2 结果讨论 | 第37页 |
| 4.4 两种基于随机搜索策略的特征选择算法比较 | 第37-42页 |
| 4.5 本章小结 | 第42-44页 |
| 结论 | 第44-45页 |
| 参考文献 | 第45-49页 |
| 攻读硕士学位期间发表学术论文情况 | 第49-50页 |
| 致谢 | 第50-52页 |
