声明
目 录
第一章 绪论
1.1 研究背景与研究意义
1.2 研究现状
1.2.1 基于机器学习的癌症易感性研究现状
1.2.2 基于机器学习的癌症幸存性研究现状
1.2.3 基于机器学习的癌症复发性研究现状
1.3.1 本文的研究内容
1.3.2 本文的组织结构
第二章 机器学习相关理论及算法
2.1 机器学习理论
2.2.1 支持向量机
2.2.2 神经网络
2.2.3 随机森林
2.2.4 梯度提升树
2.3 特征选择
2.4 本章小结
第三章 基于合成少数类过采样算法和粒子群优化的宫颈癌预测模型
3.1 引言
3.2 合成少数类过采样算法
3.3 粒子群算法
3.4.1 实验数据集
3.4.2 实验流程
3.4.3 评价指标
3.5 实验结果
3.5.1 目标变量: Hinselmann
3.5.2 目标变量: Schiller
3.5.3 目标变量: Citology
3.5.4 目标变量: Biopsy
3.5.5 结果对比
3.6 本章小结
第四章 基于 LightGBM和特征选择的肺癌患者幸存时间预测模型
4.1 引言
4.2 LightGBM
4.3 遗传算法
4.4 实验设计
4.4.1 实验数据集
4.4.2 实验流程
4.5 实验结果
4.5.1 无特征选择阶段的分类评价
4.5.2 使用遗传算法进行特征选择阶段的分类评价
4.5.3 使用粒子群算法进行特征选择阶段的分类评价
4.5.4 比较分析阶段
4.5.5 特征重要性
4.6 本章小结
第五章 基于堆叠网络的乳腺癌复发预测模型
5.1 引言
5.2 堆叠网络
5.3 实验设计
5.3.1 实验数据集
5.3.2 实验流程
5.4 实验结果
5.4.1 无特征选择阶段的分类评价
5.4.2 有特征选择阶段的分类评价
5.4.3 比较分析阶段
5.5 本章小结
第六章 总结与展望
6.1 本文总结
6.2 未来展望
致 谢
参考文献
电子科技大学;
