| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 1 绪论 | 第7-10页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 数据挖掘的发展与挑战 | 第8页 |
| 1.3 本文的主要工作 | 第8-10页 |
| 2 数据挖掘中的常用技术 | 第10-18页 |
| 2.1 数据预处理技术 | 第10-11页 |
| 2.1.1 缺失值处理 | 第10页 |
| 2.1.2 数据标准化 | 第10-11页 |
| 2.2 分类技术 | 第11-15页 |
| 2.2.1 决策树算法 | 第11-12页 |
| 2.2.2 随机森林算法 | 第12-13页 |
| 2.2.3 支持向量机算法 | 第13-15页 |
| 2.3 特征选择技术 | 第15-16页 |
| 2.4 LC-MS时间序列数据处理系统 | 第16-17页 |
| 2.5 本章小结 | 第17-18页 |
| 3 基于SVM构造线性组合特征的分类算法 | 第18-32页 |
| 3.1 组合特征算法 | 第18页 |
| 3.2 TSP算法 | 第18-20页 |
| 3.3 LC-TSP/LC-k-TSP算法 | 第20-24页 |
| 3.4 LC-TSP/LC-k-TSP算法实验 | 第24-31页 |
| 3.4.1 LC-TSP/LC-k-TSP算法在公共数据集上的分类性能实验 | 第24-25页 |
| 3.4.2 LC-TSP算法在公共数据集上的可视化分析 | 第25-31页 |
| 3.5 本章小结 | 第31-32页 |
| 4 基于SVM和相关性组合特征的分类算法PCC-SVM | 第32-47页 |
| 4.1 SVM核函数 | 第32-34页 |
| 4.2 相关性组合特征 | 第34-36页 |
| 4.3 PCC-SVM算法 | 第36-39页 |
| 4.4 PCC-SVM算法在公共数据集上的分类实验 | 第39-44页 |
| 4.5 PCC-SVM算法与LC-TSP/LC-k-TSP算法的比较 | 第44-45页 |
| 4.6 本章小结 | 第45-47页 |
| 结论 | 第47-48页 |
| 参考文献 | 第48-51页 |
| 攻读硕士学位期间发表学术论文情况 | 第51-52页 |
| 致谢 | 第52-54页 |
