| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外的研究现状 | 第11-14页 |
| 1.3 本文的主要工作 | 第14-15页 |
| 1.4 本文的组织结构 | 第15-18页 |
| 第二章 基本理论与算法 | 第18-38页 |
| 2.1 有监督学习 | 第18-23页 |
| 2.1.1 目标函数 | 第18-20页 |
| 2.1.2 模型的优化问题 | 第20-22页 |
| 2.1.3 模型评估方法 | 第22-23页 |
| 2.2 决策树 | 第23-25页 |
| 2.2.1 决策树算法 | 第23-24页 |
| 2.2.2 决策树构建过程 | 第24页 |
| 2.2.3 分类回归树 | 第24-25页 |
| 2.3 集成学习 | 第25-27页 |
| 2.4 梯度提升决策树 | 第27-33页 |
| 2.4.1 提升算法 | 第27-29页 |
| 2.4.2 XGBoost | 第29-31页 |
| 2.4.3 LightGBM | 第31-33页 |
| 2.5 不平衡数据分类预测算法 | 第33-36页 |
| 2.6 本章小结 | 第36-38页 |
| 第三章 改进的梯度提升决策树模型 | 第38-50页 |
| 3.1 基于聚类的不平衡数据采样方法 | 第38-43页 |
| 3.1.1 聚类算法 | 第38页 |
| 3.1.2 FCM算法 | 第38-42页 |
| 3.1.3 基于BFCM算法的不平衡数据采样方法 | 第42-43页 |
| 3.2 基于梯度提升决策树模型的多维特征提取方法 | 第43-45页 |
| 3.3 基于贝叶斯的超参数优化模型 | 第45-46页 |
| 3.4 算法流程 | 第46页 |
| 3.5 仿真实验 | 第46-49页 |
| 3.5.1 实验数据集 | 第46-47页 |
| 3.5.2 不同抽样算法与本文算法的运行效果比较 | 第47页 |
| 3.5.3 不同传统分类算法与本文算法比较 | 第47-48页 |
| 3.5.4 与多模型集成学习算法与本文算法的比较 | 第48-49页 |
| 3.6 本章小结 | 第49-50页 |
| 第四章 基于改进的梯度提升决策树算法的30天再入院预测模型.. | 第50-58页 |
| 4.1 数据集 | 第50-51页 |
| 4.2 数据预处理 | 第51-53页 |
| 4.3 实验与结果分析 | 第53-56页 |
| 4.3.1 五折交叉验证结果 | 第53页 |
| 4.3.2 不同抽样算法与本文算法在实验数据集上结果对比 | 第53-54页 |
| 4.3.3 不同分类算法与本文算法在实验数据集上结果对比 | 第54页 |
| 4.3.4 不同多模型集成算法与本文算法实验结果对比 | 第54-55页 |
| 4.3.5 本文算法与不同文献中分类预测结果对比 | 第55-56页 |
| 4.4 本章小结 | 第56-58页 |
| 第五章 结束语 | 第58-60页 |
| 5.1 主要工作与创新点 | 第58-59页 |
| 5.2 下一步工作 | 第59-60页 |
| 致谢 | 第60-62页 |
| 参考文献 | 第62-70页 |
| 附录A 作者在攻读硕士期间学术成果 | 第70-72页 |
| 附录B 作者在攻读硕士期间参与的学术竞赛与科研项目 | 第72页 |
