基于机器学习的肺癌患者预后模型的研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 背景及研究意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 模型建模相关技术 | 第13-14页 |
| 1.3.1 数据挖掘 | 第13页 |
| 1.3.2 建模的一般步骤 | 第13-14页 |
| 1.3.3 模型的功能 | 第14页 |
| 1.4 论文研究内容 | 第14-15页 |
| 1.5 论文结构安排 | 第15-17页 |
| 第2章 SEER数据集预处理的研究 | 第17-27页 |
| 2.1 SEER数据集 | 第17-19页 |
| 2.1.1 SEER简介 | 第17页 |
| 2.1.2 SEER数据集获取 | 第17页 |
| 2.1.3 SEER数据集构成 | 第17-18页 |
| 2.1.4 SEER数据集操作 | 第18-19页 |
| 2.2 特征选择方法 | 第19-21页 |
| 2.2.1 精简数据方法 | 第19页 |
| 2.2.2 提升数据质量方法 | 第19页 |
| 2.2.3 初步特征选择方法 | 第19-20页 |
| 2.2.4 因子分析法 | 第20-21页 |
| 2.3 SEER数据集预处理 | 第21-25页 |
| 2.3.1 精简数据 | 第21-22页 |
| 2.3.2 提升数据质量 | 第22页 |
| 2.3.3 特征选择方法 | 第22-23页 |
| 2.3.4 因子分析 | 第23-25页 |
| 2.4 本章小结 | 第25-27页 |
| 第3章 特征和参数对模型结果的影响研究 | 第27-60页 |
| 3.1 肺癌患者预后模型机器学习算法 | 第27-33页 |
| 3.1.1 决策树算法 | 第27-29页 |
| 3.1.2 神经网络算法 | 第29-30页 |
| 3.1.3 支撑向量机算法 | 第30-32页 |
| 3.1.4 Logistic回归算法 | 第32-33页 |
| 3.2 模型验证相关技术 | 第33-36页 |
| 3.2.1 模型验证算法 | 第33-34页 |
| 3.2.2 模型验证方法 | 第34-35页 |
| 3.2.3 抽样技术 | 第35-36页 |
| 3.3 算法参数研究 | 第36-41页 |
| 3.3.1 决策树算法研究 | 第36-37页 |
| 3.3.2 神经网络算法研究 | 第37-38页 |
| 3.3.3 支撑向量机算法研究 | 第38-40页 |
| 3.3.4 Logistic回归算法研究 | 第40-41页 |
| 3.4 特征选取研究 | 第41-50页 |
| 3.4.1 决策树算法研究 | 第41-44页 |
| 3.4.2 神经网络算法研究 | 第44-45页 |
| 3.4.3 支撑向量机算法研究 | 第45-48页 |
| 3.4.4 Logistic回归算法研究 | 第48-50页 |
| 3.5 实验改进与问题分析 | 第50-53页 |
| 3.5.1 研究结果总结 | 第50-51页 |
| 3.5.2 特征选取改进 | 第51-52页 |
| 3.5.3 验证算法改进 | 第52-53页 |
| 3.5.4 抽样技术结果分析及准确率分析 | 第53页 |
| 3.6 实验结果数据分析方法验证 | 第53-57页 |
| 3.6.1 数据分析方法 | 第53-55页 |
| 3.6.2 数据分析方法应用 | 第55-57页 |
| 3.7 本章小结 | 第57-60页 |
| 第4章 基于深度神经网络的肺癌患者预后模型研究 | 第60-66页 |
| 4.1 深度神经网络 | 第60-61页 |
| 4.2 Dropout与ReLu函数 | 第61-63页 |
| 4.3 深度神经网络的肺癌患者预后模型 | 第63-64页 |
| 4.4 深度神经网络的肺癌患者预后模型结果分析 | 第64页 |
| 4.5 本章小结 | 第64-66页 |
| 结论 | 第66-69页 |
| 参考文献 | 第69-75页 |
| 附录 | 第75-82页 |
| 致谢 | 第82页 |
