1. 毕业设计（论文）的内容和要求

1、调研了解心脏病数据预测现状，搜集相关数据； 2、查阅资料了解国内外心脏病数据预测构成要素及其预测评价方法的最新动态； 3、熟悉R语言、Python等统计分析软件的使用； 4、对比人工智能算法、统计方法等主流预测评价方法的优缺点，根据所搜集的数据，进行数据清洗，并选择合适的方法，进行优化； 5、案例分析，并提高预测性能。

另外，翻译外文文献一篇，译文3000汉字以上；本课题的开题报告，不少于3000汉字；按学校 ”综合论文类”撰写规范，完成本课题的毕业设计论文，要求论文10000汉字以上。

2. 参考文献

[1 ]Mozaffarian D. E.J. Benjamin, et al. Heart Disease and Stroke Statistics--2015 Update A Report From the American Heart Association[J]. Circulation, 2015,131(4). [2 ]钟毅,刘桂霞,郑明等.基于AP算法支持向量机的设计与应用[J].吉林大学学报,2011,49(5):906-910. [3 ]VN Vapnik.The nature of statistical learning theory[M]. New York: Springer Verlag, 1995. [4 ]Vaseghi S.V. State duration modeling in hidden Markov models[J]. Signal Processing, 1995.41:31-41. [5]David J. Spiegelhalter, et al.Bayesian measures of model complexity and fit. [J] Statistical Methodology,2002,64(4):583-639. [6]Schapire R.E. A brief introduction to boosting. In: Proceedings of the Sixteenth International Joint Conference of Artificial Intelligence. San Francisco: Publishers Inc,1999:1401-1406. [7]Nello Cristianini, John Shawe-Taylor.支持向量机导论[M].李国正,王猛,曾华军等译.北京:电子工业出版社,2004. [8]Ralitza Nikolaeva.The dynamic nature of survival determinants in e-commerce. Journal of the Academy of Marketing Science,2007(4):560-571. [9]王涛,程良伦.基于快速SVM的大规模网络流量分类方法[J].计算机应用研究.2012(6):134-136 [10]Shi J, Zhang Qiu L.Credit scoring by feature-weighted support vector[D].西北工业大学,2009. [ 11]张文生,丁辉,王钰.基于邻域原理计算海量数据支持向量的研究[J]. 软件学报, 2001,12(5):711-720. [12 ]汪西莉,焦李成.一种基于马氏距离的支持向量快速提取算法[J]. 西安电子科技大学学报(自然科学版), 2004,31(4):639-643. [ 13]崔园,冯焕婷,张毅.有指导的数据挖掘在心脏病风险评价中的应用[J].微计算机信息,2006,22(8-3):33-34. [14]丁雍等.基于Adaboost 和CART结合的优化分类算法[J].微型机与应用2011(2)65-67. [15]杨海江,魏秋萍与张景肖.基于改进的AdaBoost算法的信用评分模型[J].统计与信息论坛,2011(2):27-31. [16]付忠良,赵向辉,苗青,姚宇等.AdaBoost算法的推广#8212;#8212;一组集成学习算法[J].四川大学学报(工程科学版),2010,6(42):91-98. [17] Schebesch, K and Stecking.R Support vector machines for credit scoring:extension to non standard cases. [J] Innovations in Classification,Data Science, and Information Systems,2005:498-505. [18]Hui Li, Jie Sun, Jian Wu.Predicting business failure using classification and regression tree: An empirical comparison with popular classical statistical methods and top classification mining methods.[J] Expert Systemes with Applications,2010.8(37):5895-5904. [19]Vapnik V.statistical Learning Theory [J].Wiley NewYork,1998. [20]唐发明.基于统计学习理论的支持向量机算法研究[D].华中科技大学博士学位论文,2005. [21]张辉,张浩,陆剑峰.SVM在数据挖掘中的应用[J].计算机工程,2004,3(6):7-8. [22]王晓丹,孙东延.一种基于AdaBoost的SVM分类器[J].空军工程大学学报,2006,7(6):54-56. [23]庞新生.缺失数据插补处理方法的比较研究[J].统计与决策.2012(4)28-30. [24]杨智明,乔立岩,彭喜元.基于改进SMOTE的不平衡数据挖掘方法研究[J].电子学报,2007,35(12):22-26. [25]陶存贵.不平衡小样本数据的特征提取与分类方法研究[D].哈尔滨工业大学.硕士学位论文.2012. [26]S.L.A. Lee,A.Z Kouzani,E.J. Hu. Random forest based lung nodule classification aided by clustering[J].Computerized Medical Imaging and Graphics.2010,10. [27 ]Parthiban L. R. Subramanian. Intelligent Heart Disease Prediction System using CANFIS and Genetic Algorithm[J]. International Journal of Biological and Medical Sciences,2008,3(3):157-160. [28 ]Palaniappan S. R. Awang. Intelligent Heart Disease Prediction System Using Data Mining Techniques[J]. International Journal of Computer Science and Network Security,2008,8(8):343-350. [29 ]Subbalakshmi G., K.Ramesh M.Chinna. Decision Support in Heart Disease Prediction System using Na#239;ve Bayes[J].Indian Journal of Computer Science and Engineering,2011,2(2):170-176. [30 ]Mythili T., D. Mukherji N. Padalia, et al. A Heart Disease Prediction Model using SVM-DecisionTrees-Logistic Regression(SDL)[J]. International Journal of Computer Applications,2013,68(16):11-15. [31 ]Ade R.R.,S. Dhanashree M.P. Bote. Heart Disease Prediction System Using SVM and Na#239;ve Bayes[J].International Journal of Engineering Sciences Research Technology,2013,2(5):1343-1348. [ 32]奉国和.SVM分类核函数及参数选择比较[J].计算机工程与应用,2011,47(3):123-124. [33 ]Cristianini,N. J. S.Taylor.支持向量机导论[M].李国正，王猛，曾华军，译.北京:电子工业出版社,2004.3. [34 ]陆文聪,陈念贻,叶晨洲等.支持向量机算法和软件ChemSVM介绍[J].计算机与应用化学,2002,19(6):697-702. [35 ]王炜,郭小明,王淑艳等.关于核函数选取的方法[J].辽宁师范大学学报(自然科学版),2008,31(1):1-4.

3. 毕业设计（论文）进程安排

1、2018年1月，开题； 2、2018年2月，调研搜集数据；查阅国内外期刊资料，了解主流算法电信行业客户流失预测与评价上的应用现状； 3、2018年3月，熟悉R语言、Python软件的使用；确定课题的核心算法，并进行优化设计； 4、2018年4月，核心算法的编程实现； 5、2018年5月，案例分析，论文撰写； 6、2018年6月，答辩