| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题背景与意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 论文结构及主要内容 | 第13-16页 |
| 第2章 生物数据收集及预处理 | 第16-22页 |
| 2.1 生物数据概述 | 第16-18页 |
| 2.1.1 组学数据 | 第16-17页 |
| 2.1.2 GBM数据 | 第17-18页 |
| 2.2 生物数据收集 | 第18-20页 |
| 2.3 数据预处理 | 第20页 |
| 2.4 本章小结 | 第20-22页 |
| 第3章 基于GBM多组学数据的特征选择算法研究 | 第22-42页 |
| 3.1 常用特征选择算法概述 | 第22-25页 |
| 3.2 基于L_1正则化的逻辑回归算法原理 | 第25-29页 |
| 3.3 基于L_1正则化的逻辑回归算法的参数优化 | 第29-36页 |
| 3.3.1 参数优化 | 第29-30页 |
| 3.3.2 参数优化算法的评价方式 | 第30-32页 |
| 3.3.3 评价指标 | 第32-34页 |
| 3.3.4 参数优化结果 | 第34-36页 |
| 3.4 算法性能比较 | 第36-39页 |
| 3.5 本章小结 | 第39-42页 |
| 第4章 基于GBM多组学数据的机器学习分类算法研究 | 第42-62页 |
| 4.1 常用机器学习算法概述 | 第42-43页 |
| 4.1.1 朴素贝叶斯 | 第42页 |
| 4.1.2 K近邻 | 第42页 |
| 4.1.3 决策树 | 第42-43页 |
| 4.1.4 支持向量机 | 第43页 |
| 4.2 支持向量机算法原理 | 第43-50页 |
| 4.2.1 线性支持向量机 | 第44-47页 |
| 4.2.2 非线性支持向量机 | 第47-48页 |
| 4.2.3 常用核函数 | 第48-50页 |
| 4.3 支持向量机算法的参数优化 | 第50-52页 |
| 4.3.1 网格搜索法优化参数 | 第50页 |
| 4.3.2 交叉验证法评价参数优化算法 | 第50-51页 |
| 4.3.3 支持向量机算法参数优化结果 | 第51-52页 |
| 4.4 模型性能比较 | 第52-58页 |
| 4.5 联合预测模型性能分析 | 第58-61页 |
| 4.5.1 其他评价指标 | 第58-59页 |
| 4.5.2 与已有研究成果比较 | 第59-61页 |
| 4.6 本章小结 | 第61-62页 |
| 第5章 总结与展望 | 第62-64页 |
| 5.1 论文总结 | 第62-63页 |
| 5.2 展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-70页 |
| 作者简介 | 第70页 |