基于贝叶斯网络的健康数据分类模型研究与实现
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究工作的背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 医疗健康数据分类的研究现状 | 第11-12页 |
| 1.2.2 贝叶斯网络的研究现状 | 第12-14页 |
| 1.2.3 贝叶斯网络在医疗健康领域的研究现状 | 第14-15页 |
| 1.3 本文的研究内容和组织结构 | 第15-17页 |
| 1.3.1 本文的研究内容 | 第15-16页 |
| 1.3.2 本文的组织结构 | 第16-17页 |
| 第二章 贝叶斯网络理论概述 | 第17-28页 |
| 2.1 概率论基础 | 第17-18页 |
| 2.2 贝叶斯网络概述 | 第18-19页 |
| 2.3 贝叶斯网络学习 | 第19-25页 |
| 2.3.1 网络结构的学习 | 第20-23页 |
| 2.3.2 贝叶斯网络参数学习 | 第23-25页 |
| 2.4 贝叶斯网络分类器 | 第25-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 基于改进遗传算法的贝叶斯网络结构学习 | 第28-43页 |
| 3.1 引言 | 第28页 |
| 3.2 K2算法的基本思想 | 第28-29页 |
| 3.3 基于遗传算法的贝叶斯网络结构学习 | 第29-37页 |
| 3.3.1 遗传算法的原理 | 第30-32页 |
| 3.3.2 学习最优变量节点次序过程 | 第32-34页 |
| 3.3.3 实验结果及分析 | 第34-37页 |
| 3.4 基于改进遗传算法的贝叶斯网络结构学习 | 第37-42页 |
| 3.4.1 渐变遗传过程 | 第37-38页 |
| 3.4.2 突变遗传过程 | 第38-39页 |
| 3.4.3 改进算法的流程图 | 第39-40页 |
| 3.4.4 实验结果及分析 | 第40-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第四章 基于贝叶斯网络的甲状腺功能减退症分类模型 | 第43-61页 |
| 4.1 引言 | 第43页 |
| 4.2 分类模型框图 | 第43-44页 |
| 4.3 数据集预处理 | 第44-48页 |
| 4.3.1 数据集介绍 | 第44-46页 |
| 4.3.2 数据离散化 | 第46-48页 |
| 4.3.3 缺失值处理 | 第48页 |
| 4.4 基于贝叶斯网络的甲状腺功能减退症分类器 | 第48-55页 |
| 4.4.1 朴素贝叶斯网络分类器的应用 | 第50-51页 |
| 4.4.2 TAN分类器的应用 | 第51-52页 |
| 4.4.3 BAN分类器的应用 | 第52-53页 |
| 4.4.4 贝叶斯多网分类器的应用 | 第53-55页 |
| 4.5 实验结果及分析 | 第55-60页 |
| 4.5.1 最大父节点数评估 | 第56-57页 |
| 4.5.2 分类器结果对比 | 第57-60页 |
| 4.6 本章小结 | 第60-61页 |
| 第五章 基于特征选择的甲状腺功能减退症分类模型 | 第61-71页 |
| 5.1 引言 | 第61页 |
| 5.2 甲状腺功能减退症数据集中冗余属性的影响 | 第61-62页 |
| 5.3 基于特征选择的贝叶斯网络分类模型 | 第62-68页 |
| 5.3.1 特征选择 | 第62-63页 |
| 5.3.2 ReliefF特征选择算法 | 第63-65页 |
| 5.3.3 ReliefF算法的改进 | 第65-67页 |
| 5.3.4 利用改进算法构建BAN分类器 | 第67-68页 |
| 5.4 实验结果及分析 | 第68-70页 |
| 5.5 本章小结 | 第70-71页 |
| 第六章 全文总结与展望 | 第71-73页 |
| 6.1 全文总结 | 第71页 |
| 6.2 未来展望 | 第71-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-79页 |
| 攻读硕士学位期间取得的成果 | 第79页 |
