| 摘要 | 第1-4页 |
| Abstract | 第4-5页 |
| 目录 | 第5-8页 |
| 1 绪论 | 第8-14页 |
| ·课题研究背景与意义 | 第8-10页 |
| ·国内外研究现状 | 第10-12页 |
| ·本文的研究内容 | 第12页 |
| ·本文的组织结构 | 第12-14页 |
| 2 基因表达谱数据表示 | 第14-20页 |
| ·基因表达谱数据的获取和表示 | 第14-15页 |
| ·基因表达谱数据的特点 | 第15-16页 |
| ·基因表达谱数据的预处理 | 第16-19页 |
| ·数据的清洗 | 第16-17页 |
| ·异常数据的处理 | 第17页 |
| ·数据的转换 | 第17-18页 |
| ·预处理实验结果 | 第18-19页 |
| ·本章小结 | 第19-20页 |
| 3 基因表达谱特征选择 | 第20-32页 |
| ·特征选择的概念 | 第20-22页 |
| ·特征选择流程 | 第20-21页 |
| ·特征选择方法分类 | 第21-22页 |
| ·一般特征选择方法 | 第22-26页 |
| ·信噪比 | 第22页 |
| ·T检验 | 第22-24页 |
| ·SVM-RFE | 第24页 |
| ·实验结果与分析 | 第24-26页 |
| ·类不平衡特征选择方法 | 第26-31页 |
| ·基于ROC曲线的FAST | 第26-28页 |
| ·基于上采样的SVM-RFE | 第28-29页 |
| ·实验结果与分析 | 第29-31页 |
| ·本章小结 | 第31-32页 |
| 4 基于基因表达谱的肿瘤分类方法 | 第32-44页 |
| ·肿瘤分类问题描述 | 第32-33页 |
| ·常用分类方法 | 第33-41页 |
| ·K近邻法 | 第33页 |
| ·贝叶斯分类法 | 第33-34页 |
| ·人工神经网络 | 第34-36页 |
| ·决策树 | 第36-38页 |
| ·支持向量机 | 第38-41页 |
| ·实验结果与分析 | 第41-43页 |
| ·实验平台 | 第41页 |
| ·性能评价方法 | 第41-42页 |
| ·实验结果 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 5 集成学习方法研究 | 第44-57页 |
| ·集成学习方法概述 | 第44页 |
| ·成员分类器 | 第44-47页 |
| ·成员分类器的要求 | 第44-45页 |
| ·成员分类器的生成 | 第45-46页 |
| ·成员分类器的数量 | 第46-47页 |
| ·成员分类器的组合 | 第47页 |
| ·经典集成方法 | 第47-52页 |
| ·Bagging集成方法 | 第47-49页 |
| ·Boosting集成方法 | 第49-51页 |
| ·实验结果与分析 | 第51-52页 |
| ·结合参数扰动的Bagging和Boosting方法 | 第52-56页 |
| ·算法原理概述 | 第52-55页 |
| ·实验结果与分析 | 第55-56页 |
| ·本章小结 | 第56-57页 |
| 6 代价敏感学习方法研究 | 第57-69页 |
| ·代价敏感问题描述 | 第57-58页 |
| ·代价敏感学习算法 | 第58-66页 |
| ·MetaCost代价敏感学习 | 第58-61页 |
| ·AdaCost代价敏感学习 | 第61-63页 |
| ·实验结果与分析 | 第63-66页 |
| ·基于SVM的MetaCost和AdaCost方法 | 第66-68页 |
| ·算法原理概述 | 第66-68页 |
| ·实验结果与分析 | 第68页 |
| ·本章小结 | 第68-69页 |
| 7 总结与展望 | 第69-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-75页 |