| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究的背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 特征选择研究现状 | 第12-13页 |
| 1.2.2 特征选择应用研究现状 | 第13-14页 |
| 1.3 本文主要研究内容和结构安排 | 第14-16页 |
| 第2章 相关理论基础概述 | 第16-24页 |
| 2.1 特征选择算法分析 | 第16-20页 |
| 2.1.1 特征选择的一般过程 | 第16页 |
| 2.1.2 产生过程 | 第16-18页 |
| 2.1.3 评价函数 | 第18-20页 |
| 2.2 特征选择算法分类 | 第20-21页 |
| 2.3 聚类算法分析 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 基于属性依赖的半监督特征选择 | 第24-40页 |
| 3.1 半监督学习方法 | 第24-26页 |
| 3.1.1 Constraint Score算法 | 第24-25页 |
| 3.1.2 基于Constraint Score的半监督特征选择算法 | 第25-26页 |
| 3.2 基于属性依赖的半监督特征选择 | 第26-34页 |
| 3.2.1 问题描述和符号定义 | 第27-28页 |
| 3.2.2 算法总体框架 | 第28-29页 |
| 3.2.3 算法总体描述 | 第29-34页 |
| 3.3 实验及分析 | 第34-38页 |
| 3.3.1 实验数据集 | 第34-35页 |
| 3.3.2 实验评价标准 | 第35-36页 |
| 3.3.3 算法聚类性能分析 | 第36-37页 |
| 3.3.4 属性依赖对特征选择的影响 | 第37-38页 |
| 3.4 本章小结 | 第38-40页 |
| 第4章 半监督特征选择的应用 | 第40-48页 |
| 4.1 数据分析及实验诊断模型 | 第40-42页 |
| 4.1.1 基因表达数据分析 | 第40-41页 |
| 4.1.2 基因表达数据诊断模型 | 第41-42页 |
| 4.2 分类器算法 | 第42-44页 |
| 4.2.1 朴素贝叶斯分类算法 | 第42页 |
| 4.2.2 K近邻分类算法 | 第42-43页 |
| 4.2.3 支持向量机算法 | 第43-44页 |
| 4.2.4 极限学习机算法 | 第44页 |
| 4.3 半监督特征选择的应用 | 第44-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第5章 半监督特征选择应用实验与分析 | 第48-57页 |
| 5.1 实验数据集 | 第48页 |
| 5.2 实验与分析 | 第48-55页 |
| 5.2.1 特征选择前后分类精度对比实验 | 第49-51页 |
| 5.2.2 选择不同特征维数对分类精度的影响 | 第51-54页 |
| 5.2.3 算法时间复杂度分析 | 第54-55页 |
| 5.3 本章小结 | 第55-57页 |
| 总结与展望 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第64页 |