【摘要】：隨著老齡化時(shí)代的提前到來,老年人的健康問題引起了社會(huì)越來越多的關(guān)注,其中高血壓等非傳染性疾病已經(jīng)成為威脅老年人健康的首要原因。為了降低老齡人口中高血壓的發(fā)病率,近年來高血壓的影響因素被廣泛研究。臨床醫(yī)學(xué)和公共衛(wèi)生領(lǐng)域擁有著各種各樣與高血壓?jiǎn)栴}相關(guān)的數(shù)據(jù),以往對(duì)高血壓影響因素的研究大部分是借用傳統(tǒng)統(tǒng)計(jì)學(xué)方法,然而隨著大數(shù)據(jù)時(shí)代的來臨,傳統(tǒng)統(tǒng)計(jì)學(xué)方法在高維數(shù)據(jù)建模中存在著較多的局限性;與此同時(shí),機(jī)器學(xué)習(xí)算法開始興起,隨機(jī)森林等算法在各個(gè)領(lǐng)域中被廣泛應(yīng)用,但機(jī)器學(xué)習(xí)面對(duì)高維數(shù)據(jù)建模時(shí)也存在著一些困難,因而大量的特征選擇方法由此誕生。特征選擇常常被看作高維數(shù)據(jù)的必備武器,如何設(shè)計(jì)更好的特征選擇方案以更好的處理高維數(shù)據(jù)問題值得探索。在這樣的背景下,本研究提出了基于多目標(biāo)優(yōu)化的組合式特征選擇方法。通常在組合式特征選擇方法研究中,第一階段特征選擇數(shù)目的確定是人為設(shè)置的。本研究試圖引入一個(gè)權(quán)衡指標(biāo),綜合考慮特征選擇法的穩(wěn)定性和機(jī)器學(xué)習(xí)算法的擬合性能,給出第一階段特征選擇數(shù)目的篩選標(biāo)準(zhǔn);第二階段,多目標(biāo)遺傳算法利用第一階段提供的特征子集作為初始種群,進(jìn)一步進(jìn)行特征選擇,并同時(shí)優(yōu)化特征子集的數(shù)目和機(jī)器學(xué)習(xí)算法的擬合性能。我們結(jié)合中國(guó)健康與養(yǎng)老追蹤調(diào)查數(shù)據(jù)做實(shí)證分析,以預(yù)測(cè)高血壓的社會(huì)影響因素為目標(biāo),驗(yàn)證基于多目標(biāo)優(yōu)化的組合式特征選擇法的有效性以及引入權(quán)衡指標(biāo)的合理性。實(shí)驗(yàn)運(yùn)用四種不同的特征選擇方法分別與多目標(biāo)遺傳算法組合,建立四種基于多目標(biāo)優(yōu)化的組合式特征選擇方案。實(shí)驗(yàn)主要表明,組合式特征選擇法比僅使用單一的特征選擇法效果更好,即預(yù)測(cè)誤差更小、特征子集的數(shù)目更少;驗(yàn)證了基于多目標(biāo)優(yōu)化的組合式特征選擇方法的有效性以及第一階段中引入權(quán)衡指標(biāo)有一定的科學(xué)性及合理性。我們相信,組合式特征選擇方法中權(quán)衡指標(biāo)的引入,可以為今后組合式特征選擇領(lǐng)域的研究提供一點(diǎn)探索思路。此外,該方法不僅能在預(yù)測(cè)高血壓影響因素中使用,也可以在其他實(shí)際應(yīng)用領(lǐng)域做出更多的嘗試。
【圖文】：

15圖2-1 特征選擇過程流程圖2.2.2 特征子集評(píng)價(jià)函數(shù)與機(jī)器學(xué)習(xí)算法的關(guān)系特征子集的評(píng)價(jià)是根據(jù)特征評(píng)價(jià)函數(shù)判斷特征子集的重要程度。特征評(píng)價(jià)函數(shù)和機(jī)器學(xué)習(xí)算法無關(guān)的，稱為獨(dú)立評(píng)價(jià)函數(shù)。特征評(píng)價(jià)函數(shù)依賴于機(jī)器學(xué)習(xí)算法的，稱為非獨(dú)立評(píng)價(jià)函數(shù)。特征選擇按照特征子集評(píng)價(jià)函數(shù)與機(jī)器學(xué)習(xí)算法的關(guān)系劃分，大致可以分為兩類：過濾式、封裝式。如圖2-2所示，過濾式特征選擇方法完全獨(dú)立于機(jī)器學(xué)習(xí)算法，使用獨(dú)立評(píng)價(jià)函數(shù)，通過改變?cè)u(píng)價(jià)函數(shù)得到不同的過濾式方法。比如關(guān)聯(lián)度、信息增益等，該方法速度快并且易于理解，但由于其獨(dú)立于機(jī)器學(xué)習(xí)算法，導(dǎo)致選擇的特征子集運(yùn)用到具體的機(jī)器學(xué)習(xí)算法中時(shí)，模型表現(xiàn)欠佳。封裝式特征選擇方法與機(jī)器學(xué)習(xí)算法相互結(jié)合

稱為非獨(dú)立評(píng)價(jià)函數(shù)。特征選擇按照特征子集評(píng)價(jià)函數(shù)與機(jī)器學(xué)習(xí)算法的關(guān)系劃分，大致可以分為兩類：過濾式、封裝式。如圖2-2所示，，過濾式特征選擇方法完全獨(dú)立于機(jī)器學(xué)習(xí)算法，使用獨(dú)立評(píng)價(jià)函數(shù)，通過改變?cè)u(píng)價(jià)函數(shù)得到不同的過濾式方法。比如關(guān)聯(lián)度、信息增益等，該方法速度快并且易于理解，但由于其獨(dú)立于機(jī)器學(xué)習(xí)算法，導(dǎo)致選擇的特征子集運(yùn)用到具體的機(jī)器學(xué)習(xí)算法中時(shí)，模型表現(xiàn)欠佳。封裝式特征選擇方法與機(jī)器學(xué)習(xí)算法相互結(jié)合，該方法通過機(jī)器學(xué)習(xí)算法建立模型并以模型的精準(zhǔn)度作為評(píng)價(jià)函數(shù)，因而預(yù)測(cè)精度較高。由圖2-3可以看到，特征子集的評(píng)價(jià)函數(shù)與機(jī)器學(xué)習(xí)算法的性能密切相關(guān)
【學(xué)位授予單位】：成都理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：R544.1;TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李光華;李俊清;張亮;辛衍森;鄧華偉;;一種融合蟻群算法和隨機(jī)森林的特征選擇方法[J];計(jì)算機(jī)科學(xué);2019年S2期

2 趙瑋;;采用機(jī)器學(xué)習(xí)的聚類模型特征選擇方法比較[J];華僑大學(xué)學(xué)報(bào)(自然科學(xué)版);2017年01期

3 嚴(yán)菲;王曉棟;;基于局部判別約束的半監(jiān)督特征選擇方法[J];模式識(shí)別與人工智能;2017年01期

4 張玉紅;周全;胡學(xué)鋼;;面向跨領(lǐng)域情感分類的特征選擇方法[J];模式識(shí)別與人工智能;2013年11期

5 姚旭;王曉丹;張玉璽;權(quán)文;;特征選擇方法綜述[J];控制與決策;2012年02期

6 孫霞;鄭慶華;;一種面向非平衡數(shù)據(jù)的鄰居詞特征選擇方法[J];小型微型計(jì)算機(jī)系統(tǒng);2008年12期

7 龔靜;曾建一;;文本聚類中的特征選擇方法[J];吉首大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年02期

8 王欣欣;;混合自適應(yīng)引力搜索優(yōu)化的特征選擇方法[J];計(jì)算機(jī)工程與應(yīng)用;2017年12期

9 戴建國(guó);;一種新的有監(jiān)督特征選擇方法[J];陜西理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2017年04期

10 徐璐;李雄偉;張陽;王曉晗;桂偉龍;;基于概率分布的硬件木馬檢測(cè)特征選擇方法[J];火力與指揮控制;2017年09期

相關(guān)會(huì)議論文 前10條

1 李高明;易東;;基因表達(dá)譜高維大數(shù)據(jù)的特征選擇方法應(yīng)用策略[A];2017年中國(guó)衛(wèi)生統(tǒng)計(jì)學(xué)學(xué)術(shù)年會(huì)論文集[C];2017年

2 顧成杰;張順頤;劉凱;黃河;;基于粗糙集和禁忌搜索的特征選擇方法[A];江蘇省電子學(xué)會(huì)2010年學(xué)術(shù)年會(huì)論文集[C];2010年

3 唐鳳珍;Lukas Adam;斯白露;;基于多類別支持向量機(jī)的組特征選擇方法[A];第四屆全國(guó)神經(jīng)動(dòng)力學(xué)學(xué)術(shù)會(huì)議摘要集[C];2018年

4 徐燕;王斌;李錦濤;孫春明;;知識(shí)增益：文本分類中一種新的特征選擇方法[A];第三屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集[C];2007年

5 王秀娟;郭軍;鄭康鋒;;基于互信息可信度的特征選擇方法[A];2006通信理論與技術(shù)新進(jìn)展——第十一屆全國(guó)青年通信學(xué)術(shù)會(huì)議論文集[C];2006年

6 肖婷;唐雁;;文本分類中特征選擇方法及應(yīng)用[A];2008年計(jì)算機(jī)應(yīng)用技術(shù)交流會(huì)論文集[C];2008年

7 靖紅芳;王斌;楊雅輝;;基于類別分布的特征選擇框架[A];第四屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集（上）[C];2008年

8 陳慶軒;鄭德權(quán);鄭博文;趙鐵軍;李生;;中文文本分類中基于文檔頻度分布的特征選擇方法[A];黑龍江省計(jì)算機(jī)學(xué)會(huì)2009年學(xué)術(shù)交流年會(huì)論文集[C];2010年

9 徐燕;孫春明;王斌;李錦濤;;基于詞條頻率的特征選擇算法研究[A];中文信息處理前沿進(jìn)展——中國(guó)中文信息學(xué)會(huì)二十五周年學(xué)術(shù)會(huì)議論文集[C];2006年

10 陳鑫;梁海潔;廖騰峰;;基于TSVM分類器和混合型特征選擇方法的入侵檢測(cè)研究[A];2010年全國(guó)開放式分布與并行計(jì)算機(jī)學(xué)術(shù)會(huì)議論文集[C];2010年

相關(guān)博士學(xué)位論文 前10條

1 陳琳琳;基于核對(duì)齊的若干學(xué)習(xí)問題研究[D];華北電力大學(xué)(北京);2019年

2 潘吳斌;加密流量精細(xì)化分類技術(shù)研究[D];東南大學(xué);2018年

3 鄭月鋒;面向結(jié)構(gòu)化數(shù)據(jù)的啟發(fā)式混合特征選擇方法研究[D];吉林大學(xué);2019年

4 杜利敏;面向不平衡數(shù)據(jù)的特征選擇與半監(jiān)督分類算法研究[D];西南交通大學(xué);2017年

5 吳越;面向網(wǎng)站無障礙檢測(cè)的組稀疏特征選擇方法的研究及應(yīng)用[D];浙江大學(xué);2018年

6 邊婧;不平衡網(wǎng)絡(luò)異常數(shù)據(jù)代價(jià)敏感特征及實(shí)例選擇[D];太原理工大學(xué);2016年

7 毛勇;基于支持向量機(jī)的特征選擇方法的研究與應(yīng)用[D];浙江大學(xué);2006年

8 裴志利;數(shù)據(jù)挖掘技術(shù)在文本分類和生物信息學(xué)中的應(yīng)用[D];吉林大學(xué);2008年

9 尹留志;關(guān)于非平衡數(shù)據(jù)特征問題的研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2014年

10 張逸石;基于冗余—互補(bǔ)散度及特征包絡(luò)前沿的數(shù)據(jù)驅(qū)動(dòng)特征選擇方法研究[D];華中科技大學(xué);2016年

相關(guān)碩士學(xué)位論文 前10條

1 王化明;人機(jī)交互數(shù)據(jù)中的多粒度碎片化知識(shí)獲取技術(shù)研究[D];重慶郵電大學(xué);2019年

2 李星星;基于交互信息的多標(biāo)記類標(biāo)特異性特征選擇方法的研究[D];江西科技師范大學(xué);2018年

3 王秋程;銀行信用卡違約預(yù)測(cè)問題中的特征選擇方法研究[D];成都理工大學(xué);2019年

4 馮鎮(zhèn)業(yè);聯(lián)合低秩約束和圖嵌入的特征選擇方法研究[D];廣東工業(yè)大學(xué);2019年

5 韓琴;基于多目標(biāo)優(yōu)化的特征選擇方法研究及其在高血壓預(yù)測(cè)中的應(yīng)用[D];成都理工大學(xué);2019年

6 莊開元;基于蜻蜓算法和花朵授粉算法的特征選擇方法研究[D];吉林大學(xué);2019年

7 王咪;面向腦網(wǎng)絡(luò)的特征選擇方法研究及應(yīng)用[D];安徽師范大學(xué);2019年

8 鄭金格;基于改進(jìn)蜻蜓算法的生物醫(yī)學(xué)數(shù)據(jù)特征選擇方法研究[D];河南大學(xué);2019年

9 劉陽;風(fēng)險(xiǎn)用戶識(shí)別中的高維不平衡數(shù)據(jù)分類研究[D];山西大學(xué);2019年

10 劉冰;局部特征詞選擇方法及其在文本分類中的應(yīng)用[D];山西大學(xué);2019年

本文編號(hào)：2654519