基于主成分机器学习算法的慢性肝病预测分析
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-15页 |
| 1.2.1 传统慢性肝病预测 | 第14-15页 |
| 1.2.2 神经网络在医学领域的研究现状 | 第15页 |
| 1.3 本文研究内容 | 第15-16页 |
| 1.4 本文组织结构 | 第16-17页 |
| 1.5 本章小结 | 第17-18页 |
| 第2章 相关技术概述 | 第18-31页 |
| 2.1 ROC曲线 | 第18-20页 |
| 2.1.1 ROC曲线的相关理论 | 第18页 |
| 2.1.2 ROC曲线下面积 | 第18-19页 |
| 2.1.3 ROC曲线的作用 | 第19-20页 |
| 2.2 Logistic回归分析 | 第20-22页 |
| 2.2.1 Logistic回归系数的显著性检验 | 第20-22页 |
| 2.2.2 Logistic适用条件和主要用途 | 第22页 |
| 2.3 主成分分析 | 第22-24页 |
| 2.3.1 主成分分析过程 | 第22-24页 |
| 2.3.2 主成分分析的优势特点 | 第24页 |
| 2.4 BP神经网络 | 第24-30页 |
| 2.4.1 BP神经网络的模型与结构 | 第26-28页 |
| 2.4.2 BP神经网络的特点 | 第28-29页 |
| 2.4.3 BP神经网络在医学上的应用 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 检验数据处理 | 第31-44页 |
| 3.1 数据来源 | 第31页 |
| 3.2 数据集建立 | 第31-33页 |
| 3.3 数据预处理 | 第33-39页 |
| 3.3.1 数据整理 | 第33-34页 |
| 3.3.2 诊断结果量化 | 第34页 |
| 3.3.3 优选指标 | 第34-39页 |
| 3.4 基于优选指标的主成分分析 | 第39-43页 |
| 3.4.1 主成分分析基本原理 | 第39-40页 |
| 3.4.2 主成分数目的确定 | 第40-41页 |
| 3.4.3 数学模型的建立 | 第41-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 预测模型 | 第44-54页 |
| 4.1 BP神经网络的优化和改进 | 第44-50页 |
| 4.1.1 蚁群算法 | 第45-46页 |
| 4.1.2 蚁群改进BP神经网络 | 第46-49页 |
| 4.1.3 BP神经网络参数设置 | 第49-50页 |
| 4.2 BP神经网络预测效果和分析 | 第50-53页 |
| 4.3 本章小结 | 第53-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-62页 |
| 附录A 攻读硕士学位期间发表论文目录 | 第62-63页 |
| 附录B 攻读学位期间参与的研究项目 | 第63页 |
