| 摘要 | 第1-10页 |
| ABSTRACT | 第10-13页 |
| 目录 | 第13-16页 |
| 第一章 前言 | 第16-22页 |
| ·生物信息学简介 | 第16-17页 |
| ·机器学习算法在蛋白质组研究中的应用 | 第17-18页 |
| ·构效关系简介 | 第18-20页 |
| ·在线Web 预报系统简介 | 第20-21页 |
| ·小结 | 第21-22页 |
| 第二章 机器学习算法 | 第22-51页 |
| ·基本学习算法 | 第22-31页 |
| ·多元线性回归 | 第22-23页 |
| ·模式识别方法 | 第23-25页 |
| ·偏最小二乘法 | 第23-25页 |
| ·最近邻算法 | 第25页 |
| ·决策树算法 | 第25-30页 |
| ·C4.5 | 第26-28页 |
| ·随机决策树算法 | 第28-29页 |
| ·随机森林算法 | 第29-30页 |
| ·人工神经网络 | 第30-31页 |
| ·支持向量机算法 | 第31-43页 |
| ·统计学习理论简介 | 第32-34页 |
| ·支持向量分类算法 | 第34-39页 |
| ·线性可分情形 | 第34-36页 |
| ·非线性可分情形 | 第36-37页 |
| ·支持向量机的核函数 | 第37-39页 |
| ·支持向量回归方法 | 第39-41页 |
| ·线性回归情形 | 第39-40页 |
| ·非线性回归情形 | 第40-41页 |
| ·支持向量机分类与回归算法的实现 | 第41-42页 |
| ·应用前景 | 第42-43页 |
| ·集成学习算法 | 第43-47页 |
| ·投票算法Voting | 第43-44页 |
| ·Boosting 算法 | 第44-45页 |
| ·AdaBoost 算法 | 第45-46页 |
| ·Bagging 算法 | 第46-47页 |
| ·特征筛选 | 第47-50页 |
| ·mRMR 变量筛选方法 | 第47-48页 |
| ·CFS 变量筛选方法 | 第48-50页 |
| ·小结 | 第50-51页 |
| 第三章 基于集成学习算法的小分子生物功能预测 | 第51-66页 |
| ·前言 | 第51-52页 |
| ·材料及方法 | 第52-56页 |
| ·数据集 | 第52-53页 |
| ·化合物编码 | 第53-56页 |
| ·结果与讨论 | 第56-63页 |
| ·模型的优化 | 第56-60页 |
| ·预报模型评估 | 第60-61页 |
| ·AdaBoost 算法与其它算法预测性能比较 | 第61-63页 |
| ·Web 服务开发 | 第63-65页 |
| ·小结 | 第65-66页 |
| 第四章 基于集成学习算法的代谢过程中酶和小分子相互作用的预测 | 第66-76页 |
| ·前言 | 第66-67页 |
| ·方法 | 第67-68页 |
| ·多分类器投票 | 第67页 |
| ·分类器投票系统的建立 | 第67-68页 |
| ·数据集和编码方法 | 第68-72页 |
| ·数据集 | 第68页 |
| ·编码方法 | 第68-69页 |
| ·小分子的表征 | 第69页 |
| ·酶的表征 | 第69-72页 |
| ·结果和讨论 | 第72-75页 |
| ·预报准确率 | 第72页 |
| ·投票系统的选择 | 第72-73页 |
| ·单个分类器和投票系统的比较 | 第73-75页 |
| ·投票系统分析 | 第75页 |
| ·小结 | 第75-76页 |
| 第五章 基于支持向量机回归的麻醉药毒性构效关系研究 | 第76-88页 |
| ·前言 | 第76-77页 |
| ·材料及方法 | 第77-79页 |
| ·数据集 | 第77-78页 |
| ·计算机硬件和软件 | 第78-79页 |
| ·量子化学描述符 | 第79页 |
| ·结果与讨论 | 第79-87页 |
| ·描述符选择 | 第79-81页 |
| ·SVR 模型参数选择 | 第81-84页 |
| ·SVR 模型 | 第84-85页 |
| ·SVR 模型验证 | 第85页 |
| ·SVR 模型的留一法预报结果 | 第85-86页 |
| ·与其他数据挖掘方法比较 | 第86-87页 |
| ·小结 | 第87-88页 |
| 第六章 结论与展望 | 第88-91页 |
| ·结论 | 第88-89页 |
| ·展望 | 第89-91页 |
| 参考文献 | 第91-105页 |
| 攻读博士学位期间发表的论文和专利 | 第105-106页 |
| 致谢 | 第106页 |