基于基因表达数据的样本分类研究
| 摘要 | 第1-6页 |
| Abstract | 第6-12页 |
| 第1章 绪论 | 第12-17页 |
| ·基因芯片 | 第12-13页 |
| ·机器学习 | 第13-15页 |
| ·学习系统的基本结构 | 第13-14页 |
| ·学习的主要策略 | 第14页 |
| ·机器学习的分类 | 第14-15页 |
| ·本文研究意义 | 第15-16页 |
| ·本文的主要工作及结构 | 第16-17页 |
| 第2章 基于基因表达数据的样本分类概述 | 第17-29页 |
| ·基于基因表达数据的样本分类模型 | 第17-18页 |
| ·基因数据预处理 | 第18页 |
| ·分类特征基因选择 | 第18-21页 |
| ·排列法 | 第18-19页 |
| ·包装法 | 第19-21页 |
| ·几个经典的分类算法 | 第21-27页 |
| ·Naive Bayes | 第22-23页 |
| ·KNN | 第23-25页 |
| ·SVM | 第25-27页 |
| ·分类效果的评价方法 | 第27-28页 |
| ·LOOCV | 第27-28页 |
| ·ROC curves | 第28页 |
| ·小结 | 第28-29页 |
| 第3章 基于筛选-优化的基因选择方法 | 第29-43页 |
| ·引言 | 第29-30页 |
| ·相似性距离 | 第30页 |
| ·最相关子集 | 第30-31页 |
| ·优化策略 | 第31-35页 |
| ·蚁群算法原理 | 第32-34页 |
| ·TSP 问题的蚁群算法原型 | 第34-35页 |
| ·基于筛选-优化的基因选择 | 第35-38页 |
| ·算法说明 | 第35-37页 |
| ·算法描述 | 第37-38页 |
| ·实验分析 | 第38-42页 |
| ·参数分析 | 第38-41页 |
| ·对比实验 | 第41-42页 |
| ·小结 | 第42-43页 |
| 第4章 基于属性识别理论的样本分类 | 第43-54页 |
| ·引言 | 第43页 |
| ·属性识别理论 | 第43-46页 |
| ·属性集和属性测度 | 第43-44页 |
| ·属性集和属性测度与模糊集之间的区别 | 第44-45页 |
| ·一种属性识别方法 | 第45-46页 |
| ·基于属性识别理论的样本分类 | 第46-50页 |
| ·单基因属性测度分析 | 第47-48页 |
| ·多基因综合属性测度分析 | 第48页 |
| ·识别系统 | 第48-50页 |
| ·算法描述 | 第50-51页 |
| ·特征基因选择及权值计算 | 第50-51页 |
| ·属性识别与KNN 结合的分类器 | 第51页 |
| ·实验分析 | 第51-53页 |
| ·结肠癌数据分类 | 第51-52页 |
| ·乳腺癌数据分类 | 第52-53页 |
| ·小结 | 第53-54页 |
| 总结与展望 | 第54-56页 |
| 1 本文工作总结 | 第54-55页 |
| 2 研究展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-61页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第61-62页 |
| 附录B 攻读学位期间参加的项目 | 第62页 |
