| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 1 绪论 | 第7-10页 |
| 1.1 数据挖掘的定义与应用 | 第7-8页 |
| 1.2 研究背景与意义 | 第8页 |
| 1.3 本文主要工作 | 第8-10页 |
| 2 数据挖掘技术 | 第10-21页 |
| 2.1 数据预处理 | 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 数据降维 | 第11-13页 |
| 2.3 分类 | 第13-20页 |
| 2.3.1 逻辑回归 | 第13页 |
| 2.3.2 朴素贝叶斯 | 第13-15页 |
| 2.3.3 决策树 | 第15-16页 |
| 2.3.4 支持向量机 | 第16-18页 |
| 2.3.5 多类问题的处理 | 第18页 |
| 2.3.6 分类器评价指标 | 第18-20页 |
| 2.4 聚类 | 第20页 |
| 2.5 本章小结 | 第20-21页 |
| 3 基于有效范围的多角度特征选择方法 | 第21-33页 |
| 3.1 FS-ODND算法 | 第22-26页 |
| 3.1.1 分子层面的特征权重度量 | 第22-23页 |
| 3.1.2 网络层面的特征权重度量 | 第23-24页 |
| 3.1.3 FS-ODND算法 | 第24-26页 |
| 3.2 FS-ODND算法实验 | 第26-32页 |
| 3.2.1 实验设置 | 第26-27页 |
| 3.2.2 实验结果与讨论 | 第27-32页 |
| 3.3 本章小结 | 第32-33页 |
| 4 基于单变量和对变量的标志物筛选方法 | 第33-46页 |
| 4.1 FS-SVPV算法 | 第33-38页 |
| 4.1.1 对变量的评分准则与分类规则 | 第33-35页 |
| 4.1.2 单变量的评分准则与分类规则 | 第35-37页 |
| 4.1.3 FS-SVPV算法 | 第37-38页 |
| 4.2 FS-SVPV算法实验 | 第38-44页 |
| 4.2.1 实验设置 | 第39页 |
| 4.2.2 实验结果与讨论 | 第39-44页 |
| 4.3 FS-ODND算法与FS-SVPV算法的比较 | 第44-45页 |
| 4.4 本章小结 | 第45-46页 |
| 结论 | 第46-47页 |
| 参考文献 | 第47-51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 |