| 摘要 | 第1-8页 |
| Abstract | 第8-10页 |
| 第1章 绪论 | 第10-15页 |
| ·机器学习理论 | 第10-11页 |
| ·国内外研究状况 | 第11-13页 |
| ·本文的主要研究内容和研究意义 | 第13-15页 |
| ·研究内容 | 第13页 |
| ·研究意义 | 第13-15页 |
| 第2章 统计学习理论 | 第15-23页 |
| ·机器学习 | 第15-17页 |
| ·机器学习问题 | 第15-16页 |
| ·经验风险 | 第16-17页 |
| ·学习过程一致性的条件 | 第17-18页 |
| ·推广性的界 | 第18-19页 |
| ·VC 维 | 第19-20页 |
| ·结构风险最小化 | 第20-22页 |
| ·结构风险最小化 | 第20-21页 |
| ·SRM 原则的实现 | 第21-22页 |
| ·小结 | 第22-23页 |
| 第3章 特征筛选及 II 型糖尿病预测 | 第23-44页 |
| ·支持向量机方法 | 第23-28页 |
| ·最优分类平面 | 第23-25页 |
| ·广义最优分类面 | 第25页 |
| ·支持向量机 | 第25-27页 |
| ·SMO 算法 | 第27-28页 |
| ·特征筛选算法 | 第28-29页 |
| ·糖尿病研究背景 | 第29-30页 |
| ·数据库 | 第30页 |
| ·执行概述 | 第30页 |
| ·数据预处理 | 第30-31页 |
| ·分类预测模型 | 第31-34页 |
| ·十折交叉验证 | 第31-32页 |
| ·输入向量 | 第32-34页 |
| ·风险因素筛选及 Feature.Filtrate 算法应用 | 第34页 |
| ·实验结果分析 | 第34-36页 |
| ·Feature-Filtrate 算法与主成分分析的比较 | 第36-40页 |
| ·主成分分析原理及过程 | 第36-37页 |
| ·试验结果比较 | 第37-40页 |
| ·特征筛选方法的扩展 | 第40-42页 |
| ·特征筛选算法的局限性与决策树 | 第40-41页 |
| ·基于支持向量机的特征筛选算法扩展 | 第41-42页 |
| ·小结 | 第42-44页 |
| 第4章 II 型糖尿病预测系统实现 | 第44-57页 |
| ·需求分析 | 第44-46页 |
| ·设计目标 | 第44页 |
| ·需求规格说明 | 第44-45页 |
| ·用例模型 | 第45-46页 |
| ·功能描述 | 第46页 |
| ·设计 | 第46-51页 |
| ·体系结构设计 | 第46-48页 |
| ·详细设计 | 第48-49页 |
| ·系统的模块结构 | 第49-50页 |
| ·界面设计 | 第50-51页 |
| ·实现 | 第51-55页 |
| ·前台处理系统 | 第51-54页 |
| ·后台管理系统 | 第54-55页 |
| ·小结 | 第55-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 附录A(攻读学位期间所发表的学术论文) | 第64页 |