• فصل اول مقدمه (10)
• فصل دوم مبانی نظری و پیشینه‌ی پژوهش (17)
  • 2.5 مرور ادبیات موضوع (19)
• فصل سوم تعریف مسئله و روش‌های پیشنهادی حل آن (27)
  • 3.1 تعریف مساله (27)
  • 3.2 توضیح روش‌های پیشنهادی (28)
    • 3.2.1 روش جنگل تصادفی (28)
      • 3.2.1.1 مقایسه‌ی رویکردهای متفاوت به درخت تصمیم (31)
    • 3.2.2 روش آنالیز جداکننده‌ی خطی (32)
      • 3.2.2.1 طبقه بندی بر اساس تجزیه و تحلیل متمایز (33)
      • 3.2.2.2 تحلیل تفکیک خطی و درجه دوم (33)
      • 3.2.2.3 محاسبات روش تحلیل جداکننده‌ی خطی (36)
      • 3.2.2.4 آنالیز جداکننده‌ی خطی با رنک کاهش یافته (38)
      • 3.2.2.5 کاهش ابعاد ذاتی در آنالیز جداکننده‌ی خطی (38)
      • 3.2.2.6 آنالیز جداکننده‌ی خطی فیشر (39)
      • 3.2.2.7 مزایا و معایب روش آنالیز جداکننده‌ی خطی (40)
    • 3.2.3 روش k نزدیکترین همسایه (41)
      • 3.2.3.1 انتخاب مقدار مناسب برای K (42)
      • 3.2.3.2 مزایا و معایب روش k نزدیکترین همسایه (42)
    • 3.2.4 روش رگرسیون لاجستیک (43)
      • 3.2.4.1 فرضیات رگرسیون لاجستیک (44)
      • 3.2.4.2 مرز تصمیم‌گیری در رگرسیون لاجستیک (45)
      • 3.2.4.3 تابع هزینه (45)
      • 3.2.4.4 گرادیان کاهشی (46)
    • 3.2.5 ماشین بردار پشتیبان (47)
      • 3.2.5.1 تابع هزینه و به‌روزرسانی‌های گرادیان (48)
    • 3.2.6 شبکه‌های عصبی مصنوعی (49)
      • 3.2.6.1 نورون‌های بیولوژیکی در مقابل نورون‌های مصنوعی (49)
      • 3.2.6.2 چگونگی عملکرد الگوریتم شبکه‌های عصبی مصنوعی (50)
• فصل چهارم حل مساله و معرفی مجموعه داده (55)
  • 4.1 توصیف داده‌های مورد استفاده (55)
  • 4.2 تشریح متغیرهای دیتاست (57)
  • 4.3 بررسی همبستگی بین متغیرها (59)
  • 4.4 انتساب داده‌ها (59)
  • 4.5 متعادل کردن داده‌ها (60)
  • 4.6 داده‌های مناسب شده جهت پیاده‌سازی مدل‌ها (61)
  • 4.7 پیاده سازی مدل ماشین بردار پشتیبان (61)
    • 4.7.1 مشکل بیش برازش (62)
    • 4.7.2 بررسی اهمیت داده‌ها (62)
    • 4.7.3 مناسب سازی داده‌ها جهت جلوگیری از بیش برازش (63)
    • 4.7.4 اجرای مجدد مدل ماشین بردار پشتیبان (63)
    • 4.7.5 اعتبار سنجی متقابل (63)
    • 4.7.6 ساختن مدل بعد از اعتبار سنجی متقابل (64)
    • 4.7.7 مدل ماشین بردار پشتیبان چند جمله‌ای (64)
    • 4.8 پیاده سازی مدل تحلیل جداکننده‌ی خطی (64)
  • 4.9 مدل جنگل تصادفی (64)
  • 4.10 مدل نزدیکترین همسایه (65)
    • 4.10.1 انتخاب متغیر برای مدل نزدیکترین همسایه به منظور افزایش دقت مدل (65)
  • 4.11 مدل شبکه‌های عصبی مصنوعی (65)
    • 4.11.1 تکرار مدل با اپک‌های مختلف جهت افزایش دقت مدل (66)
  • 4.12 مدل جنگل تصادفی رنجر (66)
  • 4.13 مدل رگرسیون لاجستیک (67)
  • 4.14 تحلیل حساسیت (67)
  • 4.15 سخت افزار و نرم افزارهای استفاده شده (68)
• فصل پنجم ارزیابی نتایج و مقایسه‌ی آن‌ها (69)
  • 5.1 نتایج مدل ماشین بردار پشتیبان (69)
    • 5.1.1 نتایج مدل ماشین بردار پشتیبان بعد از حل مشکل بیش برازش (72)
    • 5.1.2 نتایج مدل ماشین بردار پشتیبان بعد از اجرای اعتبار سنجی متقابل (74)
    • 5.1.3 نتایج مدل ماشین بردار پشتیبان پس از اجرای مرتبه دوم اعتبارسنجی متقابل (75)
    • 5.1.4 نتایج مدل ماشین بردار پشتیبان چندجمله‌ای (77)
  • 5.2 نتایج مدل تحلیل جداکننده‌ی خطی (78)
  • 5.3 نتایج مدل جنگل تصادفی (80)
  • 5.4 نتایج مدل نزدیکترین همسایه (81)
    • 5.4.1 نتایج مدل بعد از انتخاب متغیر (82)
  • 5.5 نتایج مدل شبکه‌های عصبی مصنوعی (83)
  • 5.6 نتایج مدل جنگل تصادفی رنجر (85)
  • 5.7 نتایج مدل رگرسیون لاجستیک (85)
  • 5.8 مقایسه مدل‌های پیاده‌سازی شده (86)
• فصل ششم جمع بندی (87)
• مراجع (90)