| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第12-21页 |
| 1.1 研究的背景及意义 | 第12-15页 |
| 1.1.1 疾病监测概述 | 第12-13页 |
| 1.1.2 健康大数据分析平台概述 | 第13-15页 |
| 1.1.3 研究意义 | 第15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.2.1 国内研究现状 | 第15-16页 |
| 1.2.2 国外研究现状 | 第16-17页 |
| 1.3 本文的研究内容 | 第17-18页 |
| 1.4 本文的组织架构 | 第18-19页 |
| 1.5 创新点 | 第19页 |
| 1.6 技术路线 | 第19-20页 |
| 1.7 本章小结 | 第20-21页 |
| 第2章 相关技术与工具介绍 | 第21-31页 |
| 2.1 数据挖掘及相关工具 | 第21-23页 |
| 2.1.1 数据挖掘概述 | 第21-22页 |
| 2.1.2 python语言 | 第22-23页 |
| 2.1.3 python开发库 | 第23页 |
| 2.2 决策树与随机森林算法 | 第23-27页 |
| 2.2.1 决策树算法 | 第23-27页 |
| 2.2.2 随机森林算法 | 第27页 |
| 2.3 自适应增强算法 | 第27-28页 |
| 2.4 K均值聚类算法 | 第28-29页 |
| 2.5 拟合优度 | 第29-30页 |
| 2.6 Django框架 | 第30页 |
| 2.7 本章小结 | 第30-31页 |
| 第3章 癌症发病数据在时空维度的多维分析 | 第31-70页 |
| 3.1 癌症发病率的时间分布及多维特征研究 | 第31-44页 |
| 3.1.1 相关概念与数据来源 | 第31-32页 |
| 3.1.2 癌症发病率及死亡率趋势分析 | 第32-34页 |
| 3.1.3 区域特征对年度癌症发病率作用研究 | 第34-38页 |
| 3.1.4 区域特征对年度癌症死亡率作用研究 | 第38-42页 |
| 3.1.5 区域特征相关矩阵分析 | 第42-44页 |
| 3.2 癌症村的空间分布及多维特征研究 | 第44-62页 |
| 3.2.1 相关概念与数据来源 | 第44-45页 |
| 3.2.2 癌症村与河流分布关联分析 | 第45-48页 |
| 3.2.3 癌症村空间重心迁移研究 | 第48-54页 |
| 3.2.4 区域特征对癌症村空间分布作用研究 | 第54-60页 |
| 3.2.5 区域特征相关矩阵分析及研究总结 | 第60-62页 |
| 3.3 癌症村数量预测模型研究 | 第62-69页 |
| 3.3.1 多元线性回归预测模型研究 | 第62-63页 |
| 3.3.2 归一化多元线性回归模型构建 | 第63-69页 |
| 3.4 本章小结 | 第69-70页 |
| 第4章 数据共享平台总体架构设计 | 第70-87页 |
| 4.1 医疗信息管理系统现状 | 第70-71页 |
| 4.2 数据共享平台整体架构设计 | 第71-75页 |
| 4.2.1 逻辑架构设计 | 第72-73页 |
| 4.2.2 物理架构设计 | 第73-75页 |
| 4.3 数据共享平台系统设计与实现 | 第75-86页 |
| 4.3.1 相关概念介绍 | 第75-76页 |
| 4.3.2 用户需求分析 | 第76-77页 |
| 4.3.3 系统功能设计 | 第77-81页 |
| 4.3.4 数据共享平台功能实现步骤 | 第81-83页 |
| 4.3.5 数据共享平台前端界面展示 | 第83-86页 |
| 4.4 本章小结 | 第86-87页 |
| 第5章 总结与展望 | 第87-89页 |
| 5.1 工作总结 | 第87-88页 |
| 5.2 展望 | 第88-89页 |
| 参考文献 | 第89-93页 |
| 附录1 决策树、随机森林、增强树影响粒度分析程序 | 第93-99页 |
| 附录2 2004-2016年度癌症发病率、死亡率及区域特征数据 | 第99-100页 |
| 附录3 2015年省级区域癌症村数量及区域特征数据 | 第100-101页 |
| 致谢 | 第101-102页 |
| 攻读硕士学位期间取得的科研成果 | 第102页 |