| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.3 本论文的研究内容 | 第14-15页 |
| 1.4 本论文的组织结构 | 第15-16页 |
| 2 数据挖掘及可视化技术 | 第16-25页 |
| 2.1 数据挖掘概述 | 第16-17页 |
| 2.1.1 基本概念 | 第16页 |
| 2.1.2 数据挖掘基本流程 | 第16-17页 |
| 2.2 聚类分析和分类分析 | 第17-20页 |
| 2.2.1 聚类分析 | 第17-19页 |
| 2.2.2 分类分析 | 第19-20页 |
| 2.3 可视化数据挖掘技术 | 第20-24页 |
| 2.3.1 数据可视化 | 第20-22页 |
| 2.3.2 数据挖掘过程可视化 | 第22-23页 |
| 2.3.3 数据挖掘结果可视化 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 3 数据属性简约及其相关算法 | 第25-32页 |
| 3.1 数据属性简约概述 | 第25页 |
| 3.1.1 基本概念 | 第25页 |
| 3.1.2 数据属性简约的意义 | 第25页 |
| 3.1.3 数据属性简约的分类 | 第25页 |
| 3.2 特征选择概述 | 第25-29页 |
| 3.2.1 特征选择的基本概念 | 第25-26页 |
| 3.2.2 特征子集产生的流程 | 第26页 |
| 3.2.3 产生特征子集的搜索算法 | 第26-29页 |
| 3.3 特征提取概述 | 第29-31页 |
| 3.3.1 特征提取的基本概念 | 第29-30页 |
| 3.3.2 PCA特征提取算法 | 第30-31页 |
| 3.4 本章小结 | 第31-32页 |
| 4 基于特征选择和数据分类的乳腺癌数据评估及可视化 | 第32-46页 |
| 4.1 概述 | 第32页 |
| 4.2 Weka数据挖掘软件 | 第32-35页 |
| 4.3 乳腺癌数据的特征选择 | 第35-37页 |
| 4.3.1 数据概貌展示 | 第35页 |
| 4.3.2 不同搜索算法的数据属性选择 | 第35-37页 |
| 4.4 数据分类算法及性能评估 | 第37-43页 |
| 4.4.1 贝叶斯网络 | 第37-38页 |
| 4.4.2 J48决策树 | 第38-39页 |
| 4.4.3 Logistic回归模型 | 第39页 |
| 4.4.4 One-R | 第39-42页 |
| 4.4.5 各算法分类性能评估 | 第42-43页 |
| 4.5 性能评估及实验 | 第43-45页 |
| 4.6 本章小结 | 第45-46页 |
| 5 基于PCA的乳腺组织检测数据分类研究 | 第46-59页 |
| 5.1 概述 | 第46-48页 |
| 5.2 实验环境 | 第48-50页 |
| 5.2.1 R语言简介 | 第48-49页 |
| 5.2.2 RStudio简介 | 第49-50页 |
| 5.3 BP神经网络的数据挖掘算法 | 第50-53页 |
| 5.3.1 BP神经网络概述 | 第50-53页 |
| 5.3.2 BP神经网络建立所需参数 | 第53页 |
| 5.4 应用及实验结果分析 | 第53-58页 |
| 5.4.1 BP神经网络直接预测实验分析 | 第54页 |
| 5.4.2 基于PCA主成分数据的分类分析方法 | 第54-58页 |
| 5.4.3 实验总结 | 第58页 |
| 5.5 本章小结 | 第58-59页 |
| 结论 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-64页 |
| 攻读学位期间的研究成果 | 第64页 |