机器学习研究及其在生存分析中的应用
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 机器学习和生存分析研究意义 | 第8-9页 |
| 1.2 机器学习和生存分析国内外研究现状 | 第9-12页 |
| 1.3 本文主要研究内容 | 第12-13页 |
| 第二章 生存分析基础知识 | 第13-19页 |
| 2.1 生存分析相关定义及基本研究方法 | 第13-15页 |
| 2.1.1 生存函数 | 第13-14页 |
| 2.1.2 风险函数 | 第14-15页 |
| 2.1.3 未来存活时间 | 第15页 |
| 2.2 生存分析基本模型 | 第15-18页 |
| 2.2.1 生命表 | 第15-16页 |
| 2.2.2 Kaplan-Meier图 | 第16-17页 |
| 2.2.3 对数秩检验 | 第17页 |
| 2.2.4 比例风险模型 | 第17-18页 |
| 2.3 本章小结 | 第18-19页 |
| 第三章 机器学习基本模型研究 | 第19-40页 |
| 3.1 机器学习基础 | 第19-24页 |
| 3.1.1 机器学习分类 | 第19-21页 |
| 3.1.2 损失函数和学习算法 | 第21-22页 |
| 3.1.3 模型评估与正则化 | 第22-24页 |
| 3.2 决策树学习 | 第24-27页 |
| 3.2.1 决策树算法 | 第24-25页 |
| 3.2.2 决策树属性划分 | 第25-26页 |
| 3.2.3 决策树的剪枝 | 第26-27页 |
| 3.3 随机森林算法 | 第27-29页 |
| 3.3.1 集成学习理论 | 第27-28页 |
| 3.3.2 Bagging | 第28页 |
| 3.3.3 随机森林 | 第28-29页 |
| 3.4 提升树和XGBoost | 第29-33页 |
| 3.4.1 梯度提升树 | 第29-31页 |
| 3.4.2 XGBoost算法原理 | 第31-33页 |
| 3.5 神经网络模型 | 第33-38页 |
| 3.5.1 感知机模型 | 第33-34页 |
| 3.5.2 多层网络结构和BP算法 | 第34-38页 |
| 3.6 本章小结 | 第38-40页 |
| 第四章 机器学习算法在生存分析中的应用 | 第40-52页 |
| 4.1 改进的XGBoost算法 | 第40-41页 |
| 4.2 数据预处理技术 | 第41-44页 |
| 4.3 各模型数值实验 | 第44-51页 |
| 4.3.1 训练集上的效果 | 第47-48页 |
| 4.3.2 测试集上的效果 | 第48-50页 |
| 4.3.3 实验结果分析 | 第50-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第五章 总结与展望 | 第52-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 攻读硕士学位期间取得的成果 | 第57页 |
