基于特征选择和集成学习的结直肠癌预测模型研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 本文研究内容及创新点 | 第11-13页 |
| 1.4 论文的组织结构 | 第13-15页 |
| 第2章 相关研究方法 | 第15-27页 |
| 2.1 特征选择技术 | 第15-19页 |
| 2.1.1 特征选择的理论框架 | 第15-16页 |
| 2.1.2 Relief特征选择算法 | 第16-18页 |
| 2.1.3 相关性检验 | 第18-19页 |
| 2.2 集成学习模型 | 第19-26页 |
| 2.2.1 集成学习概述 | 第19-20页 |
| 2.2.2 集成学习原理 | 第20页 |
| 2.2.3 集成学习方法的分类 | 第20-21页 |
| 2.2.4 基分类器的选择原则 | 第21页 |
| 2.2.5 基分类器的融合方式 | 第21-22页 |
| 2.2.6 经典的集成学习方法 | 第22-23页 |
| 2.2.7 基分类器介绍 | 第23-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第3章 混合集成学习模型(HELM) | 第27-35页 |
| 3.1 混合集成学习的提出及定义 | 第27页 |
| 3.2 构建基本的同态集成学习模型 | 第27-29页 |
| 3.3 构建混合集成学习模型(HELM) | 第29-32页 |
| 3.3.1 HELM模型架构 | 第29-30页 |
| 3.3.2 HELM模型流程 | 第30-32页 |
| 3.4 HELM算法理论分析 | 第32-33页 |
| 3.5 本章小结 | 第33-35页 |
| 第4章 结直肠癌预测模型 | 第35-45页 |
| 4.1 数据收集 | 第36页 |
| 4.2 数据预处理 | 第36-38页 |
| 4.3 特征选择 | 第38-40页 |
| 4.3.1 基于relief算法的特征选择 | 第39-40页 |
| 4.3.2 基于相关性检验的特征选择 | 第40页 |
| 4.4 分类预测 | 第40-43页 |
| 4.4.1 分类器准确率度量 | 第41-42页 |
| 4.4.2 保持方法和随机子抽样 | 第42-43页 |
| 4.5 本章小结 | 第43-45页 |
| 第5章 实验结果与分析 | 第45-51页 |
| 5.1 实验相关设置 | 第45页 |
| 5.2 特征选择结果 | 第45-48页 |
| 5.2.1 基于relief特征选择结果 | 第45-47页 |
| 5.2.2 基于相关性检验的特征选择结果 | 第47-48页 |
| 5.3 分类预测及算法对比 | 第48-50页 |
| 5.4 本章小结 | 第50-51页 |
| 第6章 总结与展望 | 第51-53页 |
| 6.1 论文工作总结 | 第51-52页 |
| 6.2 讨论与展望 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 附录 | 第57-65页 |
| 致谢 | 第65-67页 |
| 攻读硕士学位期间发表的论文 | 第67页 |
