| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-12页 |
| 1.1 选题的背景和意义 | 第9页 |
| 1.2 研究现状 | 第9-10页 |
| 1.3 本论文主要研究内容 | 第10-11页 |
| 1.4 本文的组织和结构 | 第11-12页 |
| 第二章 决策树分类预测研究 | 第12-28页 |
| 2.1 决策树基本概念 | 第12-14页 |
| 2.2 决策树算法 | 第14-24页 |
| 2.2.1 CART决策树算法 | 第14-19页 |
| 2.2.2 CHAID决策树算法 | 第19-21页 |
| 2.2.3 C4.5决策树算法 | 第21-24页 |
| 2.2.4 随机森林算法 | 第24页 |
| 2.3 使用决策树模型对数据集进行分类 | 第24-25页 |
| 2.4 决策树与其他分类算法比较 | 第25-26页 |
| 2.4.1 贝叶斯 | 第25页 |
| 2.4.2 人工神经网络 | 第25-26页 |
| 2.4.3 支持向量机 | 第26页 |
| 2.4.4 决策树与其他分类算法优缺点比较 | 第26页 |
| 2.5 本章小结 | 第26-28页 |
| 第三章 诊断相关组分类研究 | 第28-34页 |
| 3.1 诊断相关组 | 第28-32页 |
| 3.1.1 DRGs分组基本逻辑和过程 | 第28-30页 |
| 3.1.2 DRG相对权重、总权重和CMI | 第30-31页 |
| 3.1.3 费用、时间消耗指数 | 第31页 |
| 3.1.4 低风险死亡率 | 第31-32页 |
| 3.2 诊断相关组分类算法选择 | 第32页 |
| 3.3 本章小结 | 第32-34页 |
| 第四章 基于决策树的诊断相关组分类预测 | 第34-50页 |
| 4.1 诊断相关组分类预测概述 | 第34页 |
| 4.2 诊断相关组分类预测数据来源 | 第34页 |
| 4.3 诊断相关组分类预测设计 | 第34-37页 |
| 4.3.1 目标变量确认 | 第34-35页 |
| 4.3.2 预测变量处理 | 第35-37页 |
| 4.3.3 分类参数设定 | 第37页 |
| 4.3.4 算法评价指标 | 第37页 |
| 4.4 诊断相关组分类预测结果 | 第37-39页 |
| 4.5 C4.5算法改进 | 第39-44页 |
| 4.5.1 平衡系数 | 第39-40页 |
| 4.5.2 C4.5与C4.5α算法根节点选择比较 | 第40-42页 |
| 4.5.3 算法改进实现代码 | 第42页 |
| 4.5.4 C4.5α改进效果 | 第42-44页 |
| 4.6 构建诊断相关组的决策树森林 | 第44-46页 |
| 4.7 应用实验 | 第46-48页 |
| 4.7.1 实验结果 | 第46-48页 |
| 4.8 本章小结 | 第48-50页 |
| 第五章 总结与展望 | 第50-51页 |
| 5.1 工作总结 | 第50页 |
| 5.2 工作展望 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 攻读硕士学位期间取得的研究成果 | 第54-55页 |
| 致谢 | 第55-56页 |
| 附件 | 第56页 |