| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 研究意义 | 第11-12页 |
| 1.4 本文研究内容 | 第12-14页 |
| 第二章 蛋白交互相关知识简介 | 第14-20页 |
| 2.1 蛋白质相互作用相关数据库介绍 | 第14-18页 |
| 2.1.1 DIP数据库 | 第14-15页 |
| 2.1.2 Swiss-Prot数据库 | 第15-16页 |
| 2.1.3 String数据库 | 第16-17页 |
| 2.1.4 HPRD数据库 | 第17-18页 |
| 2.2 蛋白质相互作用预测分类器简介 | 第18-20页 |
| 2.2.1 支持向量机简介 | 第18-19页 |
| 2.2.2 随机森林简介 | 第19-20页 |
| 第三章 基于集成SVM与 RF的蛋白交互预测方法 | 第20-29页 |
| 3.1 本文实验算法流程 | 第20-21页 |
| 3.2 本文数据集的构建 | 第21-22页 |
| 3.2.1 训练集和验证集的选取及预处理 | 第21页 |
| 3.2.2 测试集的选取及预处理 | 第21-22页 |
| 3.3 特征选择与特征矩阵的构建 | 第22-25页 |
| 3.3.1 进化保守性特征 | 第22-24页 |
| 3.3.2 协同进化性特征 | 第24页 |
| 3.3.3 溶剂可及性特征 | 第24-25页 |
| 3.3.4 本节小结 | 第25页 |
| 3.4 集成学习算法分类器的选取与应用 | 第25-29页 |
| 3.4.0 分类器的选取 | 第25页 |
| 3.4.1 支持向量机 | 第25-27页 |
| 3.4.2 随机森林 | 第27页 |
| 3.4.3 集成学习 | 第27-29页 |
| 第四章 实验结果的分析与讨论 | 第29-39页 |
| 4.1 实验结果评价指标 | 第29-30页 |
| 4.2 支持向量机参数调优与阈值选择 | 第30-32页 |
| 4.2.1 基于交叉验证和网格搜索的参数调优 | 第30-31页 |
| 4.2.2 判别阈值选取 | 第31-32页 |
| 4.3 随机森林参数调优 | 第32-33页 |
| 4.4 集成学习分类器与单一分类器的性能比较 | 第33-35页 |
| 4.5 特征有效性分析 | 第35-37页 |
| 4.6 独立测试集中本文预测结果与其他分类方法比较 | 第37-38页 |
| 4.7 本章小结 | 第38-39页 |
| 第五章 总结与展望 | 第39-41页 |
| 5.1 本文工作总结 | 第39-40页 |
| 5.2 未来工作展望 | 第40-41页 |
| 参考文献 | 第41-44页 |
| 致谢 | 第44-45页 |