| 致谢 | 第1-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-10页 |
| 1 引言 | 第10-13页 |
| ·研究意义、目的及研究背景 | 第10-11页 |
| ·研究内容与主要工作 | 第11-12页 |
| ·论文的组织结构 | 第12-13页 |
| 2 信息论度量 | 第13-19页 |
| ·特征选择研究的历史及现状 | 第13-14页 |
| ·通信传输过程 | 第13-14页 |
| ·信息传输与数据挖掘 | 第14页 |
| ·信息熵 | 第14-15页 |
| ·联合熵 | 第15页 |
| ·条件熵 | 第15-16页 |
| ·互信息 | 第16页 |
| ·条件互信息 | 第16-17页 |
| ·条件互信息 | 第17-18页 |
| ·散度 | 第18-19页 |
| 3 机器学习中的特征选择概述 | 第19-35页 |
| ·特征选择研究的历史及现状 | 第19-20页 |
| ·特征选择的基本概念 | 第20-23页 |
| ·机器学习中特征选择的定义 | 第20页 |
| ·特征选择和学习算法的关系 | 第20-23页 |
| ·特征选择作为搜索问题的四要素 | 第23-30页 |
| ·搜索起点 | 第24-25页 |
| ·搜索策略 | 第25-26页 |
| ·特征选择的终止条件 | 第26页 |
| ·评价标准 | 第26-30页 |
| ·特征选择算法分类及典型特征选择算法介绍 | 第30-35页 |
| ·特征选择算法的分类 | 第30-32页 |
| ·典型特征选择算法介绍 | 第32-35页 |
| 4 基于改进的ReliefF和散度的组合式特征选择方法 | 第35-46页 |
| ·特征离散化 | 第35-36页 |
| ·特征冗余性定义 | 第36-37页 |
| ·新的组合式特征选择算法 | 第37-42页 |
| ·两步法的特征选择框架 | 第37-38页 |
| ·算法介绍及分析 | 第38-42页 |
| ·动态特征选择算法 | 第42-46页 |
| ·变量分布函数之间的度量方法 | 第42-43页 |
| ·动态特征选择算法 | 第43-46页 |
| 5 特征选择实验及结果分析 | 第46-55页 |
| ·实验数据的选择 | 第46-47页 |
| ·实验方法 | 第47-48页 |
| ·实验结果及分析 | 第48-55页 |
| ·改进的ReliefF和去除冗余特征的算法实验结果分析 | 第48-53页 |
| ·动态特征选择算法实验结果分析 | 第53-55页 |
| 6 结论 | 第55-57页 |
| ·本文的研究成果 | 第55页 |
| ·未来的研究方向 | 第55-57页 |
| 参考文献 | 第57-60页 |
| 作者简历 | 第60-62页 |
| 学位论文数据集 | 第62页 |