| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-11页 |
| ·数据挖掘 | 第8-9页 |
| ·本文的主要工作 | 第9-11页 |
| 2 数据挖掘技术 | 第11-24页 |
| ·统计学方法 | 第11页 |
| ·无监督的模式识别方法 | 第11-13页 |
| ·有监督的模式识别方法 | 第13-17页 |
| ·偏最小二乘判别分析 | 第13-14页 |
| ·支持向量机 | 第14-17页 |
| ·特征选择方法 | 第17-23页 |
| ·ReliefF特征选择方法 | 第17-19页 |
| ·SVM-RFE特征选择方法 | 第19-23页 |
| ·本章小结 | 第23-24页 |
| 3 SVM-ReliefF-RFE特征选择方法 | 第24-35页 |
| ·基于SVM-RFE和ReliefF的特征选择算法 | 第24-25页 |
| ·研究问题的背景及数据预处理方法 | 第25-27页 |
| ·研究背景 | 第25-26页 |
| ·样本数据信息 | 第26页 |
| ·数据预处理方法 | 第26-27页 |
| ·实验结果 | 第27-32页 |
| ·分类预测性能的比较 | 第28-29页 |
| ·PCA得分图 | 第29-30页 |
| ·潜在生物标记物分析 | 第30-32页 |
| ·SVM-ReliefF-RFE在其他数据集上的测试 | 第32-34页 |
| ·本章小结 | 第34-35页 |
| 4 基于人工变量滤噪和SVM-RFE的特征选择方法 | 第35-47页 |
| ·基于SVM的人工变量滤噪 | 第35-37页 |
| ·两阶段的特征选择方法 | 第37页 |
| ·实验结果分析与讨论 | 第37-46页 |
| ·实验数据的信息 | 第37-38页 |
| ·数据预处理 | 第38页 |
| ·分类预测性能的比较 | 第38-42页 |
| ·两阶段方法选择的特征分析 | 第42-46页 |
| ·本章小结 | 第46-47页 |
| 结论 | 第47-48页 |
| 参考文献 | 第48-50页 |
| 攻读硕士学位期间发表学术论文情况 | 第50-51页 |
| 致谢 | 第51-52页 |
