| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 1 绪论 | 第10-15页 |
| 1.1 研究的目的和意义 | 第10-11页 |
| 1.2 国内外应用研究现状 | 第11-13页 |
| 1.2.1 国外研究现状 | 第12-13页 |
| 1.2.2 国内研究现状 | 第13页 |
| 1.3 本文的主要工作及内容安排 | 第13-14页 |
| 1.4 论文组织结构 | 第14-15页 |
| 2 相关理论与技术基础 | 第15-30页 |
| 2.1 数据挖掘 | 第15-17页 |
| 2.1.1 数据挖掘概述及应用 | 第15-16页 |
| 2.1.2 数据挖掘过程 | 第16-17页 |
| 2.2 数据挖掘常用算法 | 第17-25页 |
| 2.2.1 人工神经网络 | 第17-21页 |
| 2.2.2 支持向量机 | 第21-23页 |
| 2.2.3 随机森林 | 第23-25页 |
| 2.3 相关软件介绍 | 第25-29页 |
| 2.3.1 WEKA数据挖掘工具简介 | 第25-28页 |
| 2.3.2 ARFF文件结构 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 3 心脏病临床检测及数据预处理 | 第30-38页 |
| 3.1 心脏病临床检测 | 第30-31页 |
| 3.2 数据介绍 | 第31-32页 |
| 3.3 数据预处理 | 第32-37页 |
| 3.3.1 心脏病样本集的ARFF文件 | 第32-33页 |
| 3.3.2 数据预处理 | 第33-37页 |
| 3.4 本章小结 | 第37-38页 |
| 4 心脏病数据建模 | 第38-51页 |
| 4.1 基于BP神经网络算法建模 | 第38-42页 |
| 4.1.1 BP神经网络算法 | 第38页 |
| 4.1.2 基于参数优化的BP神经网络分类器 | 第38-42页 |
| 4.2 基于支持向量机建模 | 第42-45页 |
| 4.2.1 支持向量机算法 | 第42-43页 |
| 4.2.2 基于参数优化的支持向量机分类器 | 第43-45页 |
| 4.3 基于随机森林建模 | 第45-49页 |
| 4.3.1 随机森林算法 | 第45-47页 |
| 4.3.2 基于参数优化的随机森林分类器 | 第47-49页 |
| 4.4 本章小结 | 第49-51页 |
| 5 评估与优化 | 第51-62页 |
| 5.1 实验环境 | 第51页 |
| 5.2 评估方法简介 | 第51-53页 |
| 5.3 BP神经网络算法、支持向量机、随机森林评估结果对比分析 | 第53-57页 |
| 5.3.1 建模时间对比分析 | 第53页 |
| 5.3.2 可解释性对比分析 | 第53页 |
| 5.3.3 误差对比分析 | 第53-54页 |
| 5.3.4 成本对比分析 | 第54-57页 |
| 5.4 集成学习 | 第57-60页 |
| 5.4.1 常用集成学习算法 | 第58-59页 |
| 5.4.2 支持向量机集成学习 | 第59-60页 |
| 5.5 本章小结 | 第60-62页 |
| 6 总结与展望 | 第62-64页 |
| 6.1 全文总结 | 第62-63页 |
| 6.2 展望 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 攻读学位期间发表的学术论文目录 | 第69-71页 |