基于Spark的医疗健康数据分析系统设计与实现
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.3 论文主要工作 | 第12页 |
| 1.4 论文的组织结构 | 第12-15页 |
| 第二章 预备知识介绍 | 第15-23页 |
| 2.1 大数据处理相关技术 | 第15-20页 |
| 2.1.1 Flume介绍 | 第15-16页 |
| 2.1.2 消息队列Kafka介绍 | 第16-17页 |
| 2.1.3 HDFS介绍 | 第17-19页 |
| 2.1.4 Spark MLlib介绍 | 第19-20页 |
| 2.2 机器学习介绍 | 第20-22页 |
| 2.2.1 监督学习 | 第20-21页 |
| 2.2.2 无监督学习 | 第21页 |
| 2.2.3 半监督学习 | 第21-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第三章 基于时间窗口的逻辑回归疾病预测模型 | 第23-35页 |
| 3.1 医疗健康数据 | 第23-24页 |
| 3.1.1 医疗健康数据内容 | 第23页 |
| 3.1.2 医疗健康数据特性 | 第23-24页 |
| 3.2 特征属性及健康状态划分 | 第24页 |
| 3.3 疾病预测模型 | 第24-33页 |
| 3.3.1 逻辑回归算法 | 第24-26页 |
| 3.3.2 数据预处理 | 第26-28页 |
| 3.3.3 基于时间窗口的逻辑回归二分类模型 | 第28-31页 |
| 3.3.4 实验及结果分析 | 第31-33页 |
| 3.4 本章小结 | 第33-35页 |
| 第四章 基于随机森林的多级分类健康预测模型 | 第35-45页 |
| 4.1 亚健康概述 | 第35页 |
| 4.2 生活习惯数据 | 第35-36页 |
| 4.3 健康状态划分 | 第36页 |
| 4.4 健康预测模型 | 第36-43页 |
| 4.4.1 集成算法 | 第36-39页 |
| 4.4.2 数据预处理 | 第39页 |
| 4.4.3 基于随机森林的多分类模型 | 第39-41页 |
| 4.4.4 实验及结果分析 | 第41-43页 |
| 4.5 本章小结 | 第43-45页 |
| 第五章 系统设计与实现 | 第45-61页 |
| 5.1 系统需求分析 | 第45-47页 |
| 5.1.1 功能性需求分析 | 第45-47页 |
| 5.1.2 非功能性需求分析 | 第47页 |
| 5.2 系统设计 | 第47-54页 |
| 5.2.1 系统整体架构设计 | 第47-48页 |
| 5.2.2 数据接入模块设计 | 第48-49页 |
| 5.2.3 数据处理模块设计 | 第49-50页 |
| 5.2.4 数据存储模块设计 | 第50-53页 |
| 5.2.5 数据展示模块设计 | 第53-54页 |
| 5.3 系统实现 | 第54-59页 |
| 5.3.1 实验环境 | 第54-55页 |
| 5.3.2 数据接入模块实现 | 第55-57页 |
| 5.3.3 数据处理模块实现 | 第57页 |
| 5.3.4 数据存储模块实现 | 第57-58页 |
| 5.3.5 数据展示模块实现 | 第58-59页 |
| 5.4 本章小结 | 第59-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 工作总结 | 第61页 |
| 6.2 研究展望 | 第61-63页 |
| 参考文献 | 第63-66页 |
| 致谢 | 第66-67页 |
| 攻读学位期间发表的学术论文 | 第67页 |
