糖尿病已成為全球危害性較大的慢性疾病之一,而中國(guó)更是全球糖尿病第一大國(guó),近年來(lái)患病率還呈現(xiàn)出逐年增高的趨勢(shì),嚴(yán)重影響人類(lèi)健康。并且隨著醫(yī)療服務(wù)水平的不斷提高,人們對(duì)醫(yī)療診斷效率以及準(zhǔn)確率有了更高的要求。目前該疾病的診斷主要是在化驗(yàn)的基礎(chǔ)上由醫(yī)生人工診斷完成,但是糖尿病的潛伏期較長(zhǎng),而且各地區(qū)醫(yī)療資源不協(xié)調(diào)。針對(duì)以上這些問(wèn)題,論文采集了國(guó)家人口與健康科學(xué)數(shù)據(jù)共享服務(wù)平臺(tái)某醫(yī)院糖尿病數(shù)據(jù),并針對(duì)鄰域粗糙集的只依賴(lài)單屬性計(jì)算重要度的不足,提出了改進(jìn)的鄰域粗糙集(INRS)屬性約簡(jiǎn)算法,后將其與隨機(jī)森林(RF)組成分類(lèi)預(yù)測(cè)模型應(yīng)用在糖尿病數(shù)據(jù)上,形成了高精度的糖尿病預(yù)測(cè)模型,旨為醫(yī)生臨床診斷和疾病研究等提供輔助支持,提高臨床診斷治療水平。本文分別使用MATLAB和WEKA實(shí)現(xiàn)糖尿病數(shù)據(jù)的改進(jìn)的鄰域粗糙集(INRS)屬性約簡(jiǎn)和隨機(jī)森林(RF)分類(lèi)預(yù)測(cè)。后面為探討該組合模型的成效,分別從屬性約簡(jiǎn)和分類(lèi)器選擇兩個(gè)方面進(jìn)行了對(duì)比分析。首先從屬性約簡(jiǎn)效果分析,分別以不約簡(jiǎn)、粗糙集約簡(jiǎn)、鄰域粗糙集約簡(jiǎn)和改進(jìn)的鄰域粗糙集算法建立特征模型,并將約簡(jiǎn)后的數(shù)據(jù)使用隨機(jī)森林分類(lèi)器評(píng)估效果,發(fā)現(xiàn)約簡(jiǎn)后的數(shù)據(jù)明顯比不約簡(jiǎn)好,分類(lèi)更準(zhǔn)確,而改進(jìn)后的鄰域粗糙集雖然屬性個(gè)數(shù)比未改進(jìn)的多,但分類(lèi)準(zhǔn)確率最優(yōu),說(shuō)明改進(jìn)算法有改善。然后從分類(lèi)器選擇效果分析,對(duì)INRS約簡(jiǎn)后的數(shù)據(jù)使用隨機(jī)森林算法、BP算法、C4.5算法及Naive Byes算法分類(lèi)器從建模耗時(shí)、誤差、分類(lèi)準(zhǔn)確率、ROC面積四個(gè)方面進(jìn)行對(duì)比分析,發(fā)現(xiàn)綜合效果最優(yōu)的是隨機(jī)森林分類(lèi)器。綜上,本論文中的基于改進(jìn)的鄰域粗糙集和隨機(jī)森林的組合模型得到的糖尿病預(yù)測(cè)模型的分類(lèi)準(zhǔn)確率達(dá)到92.05%,其綜合效果甚佳。通過(guò)本次研究希望后續(xù)可以將糖尿病預(yù)測(cè)功能添加到醫(yī)院的診療系統(tǒng)中,進(jìn)而輔助醫(yī)生對(duì)糖尿病診斷做出科學(xué)的診斷決策。
【學(xué)位單位】：首都經(jīng)濟(jì)貿(mào)易大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類(lèi)】：R587.1;TP18
【部分圖文】：

技術(shù)路線圖

圖 2-1 隨機(jī)森林生成過(guò)程圖主要包括以下幾步：1）從原始樣本數(shù)據(jù) D 中采用有放回抽樣的方式形成 k 個(gè)樣本kD[26]2）假設(shè)原始樣本中屬性個(gè)數(shù)為 a ，每個(gè)樣本選擇 a 中的 m 個(gè)特征，利用最佳分割點(diǎn)方式建立決策樹(shù)。3）重復(fù)以上過(guò)程 次，產(chǎn)生 棵決策樹(shù)4）對(duì)獲得的分類(lèi)結(jié)果采用多數(shù)投票方式確定最優(yōu)分類(lèi)結(jié)果[25]2.2.2 Naive Bayes樸素貝葉斯分類(lèi)器（NBC）是貝葉斯分類(lèi)器中應(yīng)用最廣泛的模型之一[27]。它具有非常高的學(xué)習(xí)效率，只需要掃描訓(xùn)練數(shù)據(jù)就可以估計(jì)所有的概率。研究者們對(duì)比分析了不同的分類(lèi)算法的優(yōu)缺點(diǎn)，得出結(jié)論：NaiveBayes 的分類(lèi)效果比神經(jīng)網(wǎng)絡(luò)和決策樹(shù)還要好[28]。Naive Bayes 算法主要思想依賴(lài)于一假設(shè)：屬性條件獨(dú)立性假設(shè)，即對(duì)已知類(lèi)別，假

它不需要關(guān)于表達(dá)式映射數(shù)學(xué)方程的先驗(yàn)知識(shí)，就能夠以訓(xùn)練和入和輸出模式映射關(guān)系[29]。絡(luò)采用經(jīng)典的 BP 算法，而 BP 算法則是以梯度最速下降法為基礎(chǔ)，以誤函數(shù)，使神經(jīng)網(wǎng)絡(luò)算法具有學(xué)習(xí)和記憶的能力[30]。一個(gè)簡(jiǎn)單的三層 BP 神現(xiàn)從 n 維到 m 維的任意一個(gè)映射，其思想清晰、編程簡(jiǎn)單、結(jié)構(gòu)簡(jiǎn)單、性強(qiáng)，因此在很多領(lǐng)域得到了廣泛的應(yīng)用。主要應(yīng)用領(lǐng)域有模式識(shí)別、智能斷、圖像識(shí)別處理、最優(yōu)計(jì)算、信息處理、財(cái)務(wù)預(yù)測(cè)、市場(chǎng)分析和業(yè)務(wù)管神經(jīng)網(wǎng)絡(luò)的分類(lèi)結(jié)果往往伴隨不穩(wěn)定的現(xiàn)象且易產(chǎn)生過(guò)擬合[31]。P 神經(jīng)網(wǎng)絡(luò)由輸入層、輸出層和一個(gè)或多個(gè)隱藏層組成[32]。它是由輸入層隱藏層，通過(guò)每個(gè)單元的動(dòng)作函數(shù)操作后，隱藏層會(huì)將信息傳遞到輸出層的結(jié)果[33]。BP 神經(jīng)網(wǎng)絡(luò)模型如圖 2-1 所示，BP 網(wǎng)絡(luò)采用梯度下降法，梯于梯度的誤差函數(shù)為每?jī)蓚�(gè)節(jié)點(diǎn)加權(quán)，并計(jì)算誤差的權(quán)重貢獻(xiàn)，然后根據(jù)改權(quán)重以實(shí)現(xiàn)學(xué)習(xí)的目的。法模型如下：
【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 嵇靈;牛東曉;汪鵬;;基于相似日聚類(lèi)和貝葉斯神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率預(yù)測(cè)研究[J];中國(guó)管理科學(xué);2015年03期

2 劉增明;陳運(yùn)非;蔣海青;;基于PCA-BP神經(jīng)網(wǎng)絡(luò)方法的供應(yīng)商選擇[J];工業(yè)工程與管理;2014年01期

3 李玲;周學(xué)平;李國(guó)春;王韻琴;;運(yùn)用數(shù)據(jù)挖掘技術(shù)探討周仲瑛教授診療類(lèi)風(fēng)濕性關(guān)節(jié)炎經(jīng)驗(yàn)[J];中國(guó)中西醫(yī)結(jié)合雜志;2013年12期

4 吳信東;葉明全;胡東輝;吳共慶;胡學(xué)鋼;王浩;;普適醫(yī)療信息管理與服務(wù)的關(guān)鍵技術(shù)與挑戰(zhàn)[J];計(jì)算機(jī)學(xué)報(bào);2012年05期

5 劉偉偉;;基于遺傳算法的粗糙集知識(shí)約簡(jiǎn)[J];科技經(jīng)濟(jì)市場(chǎng);2010年06期

6 程雪峰;敖華飛;顧建;王勤;毛小慧;;特發(fā)性突聾風(fēng)險(xiǎn)預(yù)測(cè)中關(guān)聯(lián)規(guī)則的應(yīng)用[J];上海交通大學(xué)學(xué)報(bào)(醫(yī)學(xué)版);2009年12期

7 唐曉茜;余穎;伍青生;;決策樹(shù)法用于心臟病高發(fā)人群的挖掘研究[J];中國(guó)衛(wèi)生統(tǒng)計(jì);2008年05期

8 陳健美;宋順林;朱玉全;宋余慶;陳耿;程鵬;桂長(zhǎng)青;;一種基于貝葉斯和神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像組合分類(lèi)方法[J];計(jì)算機(jī)科學(xué);2008年03期

9 黃富銀,張欽廷,呂成榮,蔡偉雄,吳家聲,湯濤,汪建君;精神病犯服刑能力評(píng)定量表研究[J];法醫(yī)學(xué)雜志;2005年03期

10 艾艷,湯志亞,王敏;基于BP神經(jīng)網(wǎng)絡(luò)的短期降水預(yù)報(bào)[J];河南教育學(xué)院學(xué)報(bào)(自然科學(xué)版);2004年03期

相關(guān)碩士學(xué)位論文 前7條

1 梁海龍;基于鄰域粗糙集的屬性約簡(jiǎn)和樣本約減算法研究及在文本分類(lèi)中的應(yīng)用[D];太原理工大學(xué);2015年

2 雒洋洋;早期溢流漏失地面監(jiān)測(cè)診斷系統(tǒng)研究與設(shè)計(jì)[D];西南石油大學(xué);2014年

3 梁世磊;基于Hadoop平臺(tái)的隨機(jī)森林算法研究及圖像分類(lèi)系統(tǒng)實(shí)現(xiàn)[D];廈門(mén)大學(xué);2014年

4 李友坤;BP神經(jīng)網(wǎng)絡(luò)的研究分析及改進(jìn)應(yīng)用[D];安徽理工大學(xué);2012年

5 賈麗娜;基于改進(jìn)區(qū)分矩陣的屬性約簡(jiǎn)算法研究與應(yīng)用[D];遼寧工程技術(shù)大學(xué);2011年

6 龔萍;基于數(shù)據(jù)挖掘的移動(dòng)夢(mèng)網(wǎng)數(shù)據(jù)業(yè)務(wù)分析系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];北京郵電大學(xué);2007年

7 張欣;遞歸神經(jīng)網(wǎng)絡(luò)的研究及在非線性動(dòng)態(tài)系統(tǒng)辨識(shí)中的應(yīng)用[D];太原理工大學(xué);2005年

本文編號(hào)：2865625