基于机器学习的卵巢肿瘤预测与分析研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究意义 | 第10-11页 |
| 1.3 国内外研究现状 | 第11页 |
| 1.4 研究内容 | 第11-12页 |
| 1.5 论文的组织与安排 | 第12-13页 |
| 第2章 机器学习与数据挖掘 | 第13-19页 |
| 2.1 数据挖掘 | 第13-16页 |
| 2.1.1 数据挖掘的概念 | 第13-14页 |
| 2.1.2 数据挖掘要解决的问题 | 第14页 |
| 2.1.3 数据挖掘的任务 | 第14-15页 |
| 2.1.4 数据挖掘系统 | 第15-16页 |
| 2.2 机器学习 | 第16-18页 |
| 2.2.1 机器学习的发展历程 | 第16-17页 |
| 2.2.2 机器学习的主要任务 | 第17页 |
| 2.2.3 机器学习的过程 | 第17-18页 |
| 2.3 数据挖掘与机器学习的关系 | 第18-19页 |
| 第3章 基于肿瘤标记物分类方法的基本理论 | 第19-31页 |
| 3.1 卵巢肿瘤预测的特征选取 | 第19-20页 |
| 3.1.1 卵巢肿瘤标志物 | 第19页 |
| 3.1.2 卵巢肿瘤特异性生长因子 | 第19-20页 |
| 3.2 面向卵巢肿瘤特征标记物的基本分类方法 | 第20-31页 |
| 3.2.1 基于支持向量机的分类方法 | 第20-23页 |
| 3.2.2 基于朴素贝叶斯分类方法 | 第23-25页 |
| 3.2.3 基于最近邻的分类方法 | 第25-26页 |
| 3.2.4 基于随机森林的分类方法 | 第26-28页 |
| 3.2.5 基于人工神经网络的分类方法 | 第28-31页 |
| 第4章 基于机器学习的卵巢肿瘤分类模型设计与实现 | 第31-41页 |
| 4.1 模型的层次结构设计 | 第31-32页 |
| 4.2 模型的工作过程实现 | 第32-41页 |
| 4.2.1 原始数据采集 | 第32-33页 |
| 4.2.2 数据预处理 | 第33-36页 |
| 4.2.3 卵巢肿瘤分类特异性标记物选取 | 第36页 |
| 4.2.4 分类方法的设计 | 第36-37页 |
| 4.2.5 分类方法的实现 | 第37-41页 |
| 第5章 实验结果分析 | 第41-46页 |
| 5.1 实验过程 | 第41-43页 |
| 5.2 实验环境 | 第43页 |
| 5.3 实验结果 | 第43-45页 |
| 5.4 实验总结 | 第45-46页 |
| 第6章 总结与展望 | 第46-47页 |
| 参考文献 | 第47-50页 |
| 致谢 | 第50页 |
