| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 论文研究背景 | 第9-12页 |
| 1.1.1 “三高”的发展趋势 | 第9-10页 |
| 1.1.2 机器学习在健康数据中的应用 | 第10-11页 |
| 1.1.3 风险评估的意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 “三高”数据挖掘的应用现状 | 第12-13页 |
| 1.2.2 “三高”风险评估模型研究现状 | 第13-14页 |
| 1.3 本文主要工作与创新点 | 第14-15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 第二章 “三高”风险评估模型的理论研究 | 第17-27页 |
| 2.1 疾病风险评估模型综述 | 第17-18页 |
| 2.2 国内外常见的疾病风险评估模型 | 第18-20页 |
| 2.2.1 Framingham危险评分模型 | 第18-19页 |
| 2.2.2 哈佛癌症风险指数 | 第19页 |
| 2.2.3 Cox比例回归模型 | 第19-20页 |
| 2.2.4 Rothman Keller Risk Score风险评分模型 | 第20页 |
| 2.3 “三高”风险评估中的机器学习算法 | 第20-24页 |
| 2.3.1 Logistic回归 | 第20-21页 |
| 2.3.2 决策树 | 第21-24页 |
| 2.4 “三高”分级标准 | 第24-25页 |
| 2.5 本章小结 | 第25-27页 |
| 第三章 基于机器学习的“三高”风险评估模型 | 第27-43页 |
| 3.1 基于哈佛癌症风险指数和Logistic回归的“三高”风险评估模型 | 第27-31页 |
| 3.2 基于决策树和Logistic回归的“三高”风险评估模型 | 第31-42页 |
| 3.2.1 “三高”和肥胖的关系 | 第31-32页 |
| 3.2.2 “三高”相关的数据分析 | 第32-39页 |
| 3.2.3 基于决策树和Logistic回归的“三高”风险评估模型的设计 | 第39-42页 |
| 3.3 本章小结 | 第42-43页 |
| 第四章 “三高”数据挖掘实验与评估 | 第43-59页 |
| 4.1 实验环境搭建 | 第43页 |
| 4.1.1 软件环境 | 第43页 |
| 4.2 实验过程 | 第43-58页 |
| 4.2.1 数据准备 | 第44页 |
| 4.2.2 数据预处理 | 第44-45页 |
| 4.2.3 搭建模型 | 第45-46页 |
| 4.2.4 模型评估 | 第46-58页 |
| 4.3 本章小结 | 第58-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 5.1 本文工作总结 | 第59页 |
| 5.2 下一步研究计划 | 第59-61页 |
| 参考文献 | 第61-67页 |
| 附录 缩略词表 | 第67-69页 |
| 致谢 | 第69-70页 |
| 攻读学位期间发表的学术论文目录 | 第70页 |
