| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 1 绪论 | 第7-12页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 研究内容及创新点 | 第8-9页 |
| 1.3 研究方法与技术路线 | 第9-11页 |
| 1.3.1 研究方法 | 第9页 |
| 1.3.2 技术路线 | 第9-11页 |
| 1.4 论文的组织结构 | 第11-12页 |
| 2 相关研究及其研究现状 | 第12-19页 |
| 2.1 癌症存活性预测研究 | 第12-14页 |
| 2.1.1 传统的癌症存活性预测方法研究 | 第12-13页 |
| 2.1.2 基于单一机器学习模型的癌症存活性预测研究 | 第13页 |
| 2.1.3 基于集成学习模型的癌症存活性预测研究 | 第13-14页 |
| 2.2 决策树集成学习方法的相关研究 | 第14-16页 |
| 2.2.1 集成学习及其发展研究 | 第14-15页 |
| 2.2.2 决策树集成学习模型及其改进研究 | 第15-16页 |
| 2.3 知识视角的机器学习模型管理研究 | 第16-19页 |
| 2.3.1 模型管理的相关研究 | 第16页 |
| 2.3.2 知识元理论与模型的知识表示 | 第16-19页 |
| 3 改进随机森林的癌症存活性分类方法 | 第19-26页 |
| 3.1 癌症存活性分类问题描述 | 第19-20页 |
| 3.2 改进随机森林的集成分类方法 | 第20-26页 |
| 3.2.1 基于随机森林算法的分类树池生成 | 第21-22页 |
| 3.2.2 基于遗传算法的分类树进化搜索及集成 | 第22-26页 |
| 4 基于考虑MSE和多样性的回归树集成的癌症存活期预测方法 | 第26-35页 |
| 4.1 癌症存活期预测问题描述 | 第26-27页 |
| 4.2 考虑MSE和多样性的回归树集成方法 | 第27-35页 |
| 4.2.1 回归树池的生成 | 第28-31页 |
| 4.2.2 考虑MSE和多样性的回归树模型选择及集成 | 第31-35页 |
| 5 癌症存活性预测实验 | 第35-49页 |
| 5.1 数据描述及预处理 | 第35-37页 |
| 5.2 基于改进随机森林的集成分类方法的癌症存活性分类实验 | 第37-41页 |
| 5.2.1 实验设置 | 第38-39页 |
| 5.2.2 实验结果及分析 | 第39-41页 |
| 5.3 基于考虑MSE和多样性的回归树集成的癌症存活期预测实验 | 第41-47页 |
| 5.3.1 实验设置 | 第41-42页 |
| 5.3.2 实验结果及分析 | 第42-47页 |
| 5.4 癌症存活性预测模型的知识管理 | 第47-49页 |
| 结论 | 第49-50页 |
| 参考文献 | 第50-54页 |
| 攻读硕士学位期间发表学术论文情况 | 第54-55页 |
| 致谢 | 第55-57页 |
