基于集成学习的疾病辅助诊断关键技术研究与实现
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第12-17页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 论文的主要工作 | 第15页 |
| 1.4 论文的组织结构 | 第15-17页 |
| 2 基于机器学习的疾病诊断预测方法 | 第17-30页 |
| 2.1 机器学习诊断流程 | 第17-18页 |
| 2.2 数据的预处理方法 | 第18-20页 |
| 2.2.1 数据规范化处理 | 第18-19页 |
| 2.2.2 数据集不平衡问题的处理方法 | 第19-20页 |
| 2.3 常见的单分类器 | 第20-25页 |
| 2.3.1 K近邻算法 | 第21-22页 |
| 2.3.2 决策树 | 第22-23页 |
| 2.3.3 支持向量机 | 第23-25页 |
| 2.3.4 逻辑回归算法 | 第25页 |
| 2.4 集成学习算法 | 第25-29页 |
| 2.4.1 随机森林 | 第26页 |
| 2.4.2 AdaBoost | 第26-28页 |
| 2.4.3 梯度提升决策树 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 3 结合集成学习和动态权重的疾病诊断预测模型 | 第30-50页 |
| 3.1 问题描述 | 第30-31页 |
| 3.2 相关知识 | 第31-32页 |
| 3.2.1 网格搜索 | 第31页 |
| 3.2.2 K-Means算法 | 第31-32页 |
| 3.2.3 样本相似度 | 第32页 |
| 3.3 CELEDAT算法 | 第32-37页 |
| 3.3.1 数据预处理 | 第32-33页 |
| 3.3.2 基分类器的生成 | 第33页 |
| 3.3.3 基分类器权重的确定 | 第33-35页 |
| 3.3.4 最终决策 | 第35-36页 |
| 3.3.5 CELEDAT算法过程描述 | 第36-37页 |
| 3.4 实验结果与分析 | 第37-49页 |
| 3.4.1 数据来源 | 第37页 |
| 3.4.2 评价指标 | 第37-39页 |
| 3.4.3 结果及分析 | 第39-46页 |
| 3.4.4 实验结果可视化展示 | 第46-49页 |
| 3.4.5 实验总结 | 第49页 |
| 3.5 本章小结 | 第49-50页 |
| 4 算法CELEDAT在临床医学项目中的应用 | 第50-55页 |
| 4.1 移植肾功能延迟恢复介绍 | 第50-51页 |
| 4.1.1 DGF的定义 | 第50页 |
| 4.1.2 DGF的发病原理 | 第50页 |
| 4.1.3 DGF的危害 | 第50-51页 |
| 4.1.4 研究意义 | 第51页 |
| 4.2 实验数据集和评价指标 | 第51页 |
| 4.3实验 | 第51-54页 |
| 4.3.1 单分类器和集成分类器的结果对比 | 第52页 |
| 4.3.2 结合SMOTE方法后的结果对比 | 第52-53页 |
| 4.3.3 CELEDAT算法的实验结果 | 第53-54页 |
| 4.4 本章小结 | 第54-55页 |
| 5 总结与展望 | 第55-57页 |
| 5.1 论文总结 | 第55-56页 |
| 5.2 工作展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-62页 |
| 个人简历 | 第62页 |
| 在读期间发表的论文及参与的项目 | 第62页 |
| 发表论文 | 第62页 |
| 参与项目 | 第62页 |
