| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 研究背景与问题提出 | 第8-9页 |
| 1.2 研究目的与意义 | 第9页 |
| 1.3 国内外研究现状及评述 | 第9-13页 |
| 1.3.1 国内外研究现状 | 第9-13页 |
| 1.3.2 文献评述 | 第13页 |
| 1.4 研究内容及研究方案 | 第13-15页 |
| 1.4.1 研究内容 | 第13-14页 |
| 1.4.2 研究方案 | 第14-15页 |
| 第2章 预测模型研究的理论基础 | 第15-27页 |
| 2.1 疾病预测模型 | 第15-16页 |
| 2.1.1 疾病预测的发展 | 第15页 |
| 2.1.2 疾病预测的数学模型 | 第15-16页 |
| 2.2 机器学习方法 | 第16-25页 |
| 2.2.1 人工神经网络 | 第17-20页 |
| 2.2.2 支持向量机 | 第20-22页 |
| 2.2.3 集成学习 | 第22-25页 |
| 2.3 模型准确度评价标准 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 预测模型特征选择 | 第27-35页 |
| 3.1 数据收集及预处理 | 第27-28页 |
| 3.2 样本描述 | 第28-30页 |
| 3.3 基于逐步回归的模型特征选择 | 第30-34页 |
| 3.3.1 AIC信息准则 | 第30-31页 |
| 3.3.2 逐步回归 | 第31页 |
| 3.3.3 回归分析与变量检验 | 第31-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第4章 预测模型的建立及结果分析 | 第35-54页 |
| 4.1 基于BP神经网络的糖尿病预测模型 | 第35-40页 |
| 4.1.1 人工智能建模前数据的处理 | 第35页 |
| 4.1.2 BP神经网络的学习与筛选流程 | 第35-37页 |
| 4.1.3 实验结果分析 | 第37-40页 |
| 4.2 基于支持向量机的糖尿病预测模型 | 第40-47页 |
| 4.2.1 支持向量机的学习和筛选流程 | 第40-42页 |
| 4.2.2 实验结果分析 | 第42-47页 |
| 4.3 基于集成学习的糖尿病预测模型 | 第47-50页 |
| 4.3.1 集成学习Ada Boost的学习和筛选过程 | 第47-48页 |
| 4.3.2 实验结果分析 | 第48-50页 |
| 4.4 三种模型性能对比 | 第50-53页 |
| 4.4.1 模型理论对比分析 | 第51页 |
| 4.4.2 模型的有效性验证 | 第51-52页 |
| 4.4.3 实验结果对比分析 | 第52-53页 |
| 4.5 本章小结 | 第53-54页 |
| 结论 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 附录 1 | 第59-60页 |
| 附录 2 | 第60-66页 |
| 致谢 | 第66页 |