基于互信息的变量选择方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-15页 |
| 1.1 引言 | 第8页 |
| 1.2 多变量建模方法 | 第8-10页 |
| 1.2.1 最小二乘法 | 第9页 |
| 1.2.2 偏最小二乘法 | 第9-10页 |
| 1.3 变量选择方法 | 第10-11页 |
| 1.3.1 子集选择法 | 第10-11页 |
| 1.3.2 系数压缩法 | 第11页 |
| 1.4 判别分析法 | 第11-12页 |
| 1.5 模型评价方法 | 第12-13页 |
| 1.5.1 独立测试集法 | 第12-13页 |
| 1.5.2 交互检验法 | 第13页 |
| 1.6 本文的主要研究内容 | 第13-15页 |
| 2 基于互信息的模型集群分析变量选择方法 | 第15-33页 |
| 2.1 引言 | 第15页 |
| 2.2 原理和算法 | 第15-21页 |
| 2.2.1 熵与互信息 | 第16-17页 |
| 2.2.2 基于互信息的变量选择方法回顾 | 第17-19页 |
| 2.2.3 本文提出的MPA-MMIFS算法 | 第19-21页 |
| 2.3 MPA-MMIFS计算软件 | 第21页 |
| 2.4 实验数据 | 第21-24页 |
| 2.4.1 基因组学数据(乳腺癌) | 第22页 |
| 2.4.2 代谢组学数据(Ⅱ型糖尿病) | 第22-23页 |
| 2.4.3 近红外数据(食用醋) | 第23-24页 |
| 2.5 数据处理 | 第24-25页 |
| 2.6 结果与讨论 | 第25-31页 |
| 2.6.1 Estrogen数据 | 第25-27页 |
| 2.6.2 T2DM数据 | 第27-29页 |
| 2.6.3 Vinegar数据 | 第29-31页 |
| 2.7 本章小结 | 第31-33页 |
| 3 变量选择方法之间的比较 | 第33-41页 |
| 3.1 引言 | 第33页 |
| 3.2 其他变量选择方法 | 第33-38页 |
| 3.2.1 遗传算法(GA) | 第33-35页 |
| 3.2.2 间隔影响分析法(MIA) | 第35页 |
| 3.2.3 随机青蛙算法(RF) | 第35-36页 |
| 3.2.4 子窗口重排分析法(SPA) | 第36页 |
| 3.2.5 变量互补信息网(VCN) | 第36-37页 |
| 3.2.6 竞争性自适应重加权采样法(CARS) | 第37-38页 |
| 3.3 不同方法的计算结果比较 | 第38-40页 |
| 3.3.1 Estrogen数据 | 第38-39页 |
| 3.3.2 T2DM数据 | 第39页 |
| 3.3.3 Vinegar数据 | 第39-40页 |
| 3.4 本章小结 | 第40-41页 |
| 4 MPA-MMIFS算法的参数优化 | 第41-45页 |
| 4.1 引言 | 第41页 |
| 4.2 k值与Q值的优化 | 第41-43页 |
| 4.3 β值的优化 | 第43页 |
| 4.4 N的取值对MPA-MMIFS算法的影响 | 第43-44页 |
| 4.5 本章小结 | 第44-45页 |
| 结论与展望 | 第45-46页 |
| 参考文献 | 第46-50页 |
| 附录 | 第50-52页 |
| 攻读学位期间主要的研究成果 | 第52-53页 |
| 致谢 | 第53页 |
