| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1. 绪论 | 第7-11页 |
| 1.1. 研究背景与意义 | 第7页 |
| 1.2. 研究现状概述 | 第7-8页 |
| 1.2.1. 机器学习概述 | 第7-8页 |
| 1.2.2. 代谢组学概述 | 第8页 |
| 1.3. 研究方法 | 第8-9页 |
| 1.3.1. 代谢组学数据采集 | 第8-9页 |
| 1.3.2. 代谢组学数据分析 | 第9页 |
| 1.4. 本文结构 | 第9-11页 |
| 2. 机器学习算法 | 第11-16页 |
| 2.1. 偏最小二乘判别分析 | 第11-13页 |
| 2.2. 人工神经网络 | 第13-14页 |
| 2.3. 极限学习机(Extreme Learning Machine) | 第14-15页 |
| 2.4. 机器学习方法选择小结 | 第15-16页 |
| 3. 支持向量机(SVM) | 第16-22页 |
| 3.1. 统计学习基本理论 | 第16-18页 |
| 3.1.1. 泛化能力 | 第16页 |
| 3.1.2. VC维 | 第16页 |
| 3.1.3. 结构风险最小化 | 第16-18页 |
| 3.2. SVM分类 | 第18页 |
| 3.3. 最优超平面 | 第18-19页 |
| 3.4. 拉格朗日问题推导 | 第19-21页 |
| 3.5. SVM核技巧 | 第21-22页 |
| 4. SVM在R中具体实现过程 | 第22-38页 |
| 4.1. 开发工具介绍 | 第23-26页 |
| 4.1.1. R语言 | 第23页 |
| 4.1.2. R语言的特点 | 第23-24页 |
| 4.1.3. 开发环境与工具包 | 第24-26页 |
| 4.2. Classyfire——使用SVM分类 | 第26-29页 |
| 4.2.1. Classyfire | 第26-28页 |
| 4.2.2. 支持向量机优化与集成 | 第28页 |
| 4.2.3. 置换测试 | 第28-29页 |
| 4.3. 数据集与代码实现 | 第29-32页 |
| 4.4. 实验的结果 | 第32-38页 |
| 4.4.1. 分类函数说明 | 第32-33页 |
| 4.4.2. 分类准确度说明 | 第33页 |
| 4.4.3. 实验结果分析 | 第33-38页 |
| 5. 总结与展望 | 第38-39页 |
| 参考文献 | 第39-42页 |
| 附录 | 第42-43页 |
| 致谢 | 第43页 |