發(fā)布時(shí)間：2021-01-14 18:43

　　糖尿病治療時(shí)間長(zhǎng),沒(méi)有立竿見(jiàn)影的治療方法,并且隨著病情的加重,有著嚴(yán)重的并發(fā)癥,如視網(wǎng)膜功能障礙、腦梗死機(jī)率增大和冠狀動(dòng)脈病變等。糖尿病前期的及時(shí)發(fā)現(xiàn)對(duì)于控制糖尿病的發(fā)展有極其重要的意義,但是糖尿病前期的病癥表現(xiàn)并不明顯,單靠某項(xiàng)檢測(cè)指標(biāo)很難判斷,若在普通體檢中增加多個(gè)指標(biāo),會(huì)大大增加時(shí)間和費(fèi)用上的消耗,因此可以建立一個(gè)有效的數(shù)學(xué)模型協(xié)助醫(yī)生對(duì)糖尿病前期進(jìn)行有效的判斷,從而提高糖尿病前期的診斷率。當(dāng)前很多研究表明支持向量機(jī)可以對(duì)非線性糖尿病數(shù)據(jù)進(jìn)行有效的分類,使用隨機(jī)森林算法可以幫助支持向量機(jī)模型從具有小邊際效應(yīng)和復(fù)雜相互作用的特征集合中識(shí)別出主相關(guān)特征。本文使用支持向量機(jī)對(duì)糖尿病數(shù)據(jù)進(jìn)行訓(xùn)練得到分類模型,結(jié)合隨機(jī)森林給出的特征重要度對(duì)其加以改進(jìn),得到適應(yīng)性更好的預(yù)測(cè)模型。本文的主要工作如下:（1）糖尿病數(shù)據(jù)中包含多個(gè)因素,這些因素與目標(biāo)函數(shù)的相關(guān)性往往是不同的。針對(duì)無(wú)關(guān)特征對(duì)預(yù)測(cè)模型產(chǎn)生不良影響的問(wèn)題,提出一種改進(jìn)的隨機(jī)森林特征選擇方法,該方法采用隨機(jī)森林算法計(jì)算出特征的平均置換重要性并經(jīng)決策樹(shù)權(quán)重加權(quán)后對(duì)數(shù)據(jù)特征排序,采用包裹式評(píng)價(jià)方式和后向序列法篩選出最優(yōu)特征子集。實(shí)驗(yàn)結(jié)果表明該... 

【文章來(lái)源】：江蘇大學(xué)江蘇省

【文章頁(yè)數(shù)】：70 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

監(jiān)督學(xué)習(xí)系統(tǒng)模型

圖 2.2 結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理圖Figure 2.2 Structural risk minimization schematic 1960 年開(kāi)始關(guān)于小樣本機(jī)器學(xué)習(xí)理論的探究，直至學(xué)的支持向量機(jī)理論，在已得信息有限的情況下，全正確地預(yù)測(cè)每個(gè)樣本的能力中尋求最佳平衡點(diǎn)，法在解決小樣本、非線性及高維數(shù)據(jù)識(shí)別中展現(xiàn)出究的一個(gè)熱門(mén)。的樣本集1 1 2 2 3 3{( , ),( , ),( , ),...,( , )}N NT x y x y x y x y，i x 截距b 和整數(shù) ，使其滿足以下條件，如公式(2.6)和

圖 2.3 分離超平面Figure 2.3 Separating hyperplane到超平面的距離大小可以體現(xiàn)分類識(shí)T x b可以表示點(diǎn)x與超平面之間的相是一致的就可以認(rèn)為分類結(jié)果是正確的引出了間隔函數(shù)的概念。 表示）如公式(2.8)所示。( ) ( )T y w x b yf x 于訓(xùn)練數(shù)據(jù)集T 的函數(shù)間隔為超平面之最小值，如公式(2.9)所示。1,..., min ii N 不足以體現(xiàn)可信度，因?yàn)榘匆欢ū壤?

【參考文獻(xiàn)】：
期刊論文
[1]基于隨機(jī)森林特征選擇算法的鼻咽腫瘤分割[J]. 李鮮,王艷,羅勇,周激流.  計(jì)算機(jī)應(yīng)用. 2019(05)
[2]基于隨機(jī)森林算法和Logistic回歸模型的糖尿病風(fēng)險(xiǎn)因素研究[J]. 肖輝,郝元濤,徐曉,朱曉宇.  中國(guó)數(shù)字醫(yī)學(xué). 2018(01)
[3]基于特征篩選和二級(jí)分類的極化SAR建筑提取算法[J]. 張妙然,劉暢.  中國(guó)科學(xué)院大學(xué)學(xué)報(bào). 2018(01)
[4]基于KPCA-LSSVM的健康檔案空腹血糖水平預(yù)測(cè)研究[J]. 江燕,帥仁俊,張姝,查代奉.  計(jì)算機(jī)工程與應(yīng)用. 2018(13)
[5]一種改進(jìn)的SVM算法在乳腺癌診斷方面的應(yīng)用[J]. 吳辰文,李長(zhǎng)生,王偉,梁靖涵,閆光輝.  計(jì)算機(jī)工程與科學(xué). 2017(03)
[6]基于特征加權(quán)的多核支持向量機(jī)[J]. 邵朝,李強(qiáng).  西安郵電大學(xué)學(xué)報(bào). 2017(02)
[7]決策樹(shù)模型在2型糖尿病患病風(fēng)險(xiǎn)預(yù)測(cè)中的應(yīng)用[J]. 侯玉梅,朱亞楠,朱立春,吳頌,高秋燁.  中國(guó)衛(wèi)生統(tǒng)計(jì). 2016(06)
[8]基于中國(guó)農(nóng)村人群的非侵襲性2型糖尿病風(fēng)險(xiǎn)預(yù)測(cè)模型的建立[J]. 張紅艷,石文惠,張明,尹磊,龐超,馮天平,張璐,任永成,王炳源,楊香玉,周俊梅,韓成義,趙陽(yáng),趙景志,胡東生.  中華預(yù)防醫(yī)學(xué)雜志. 2016 (05)
[9]多核SVM文本分類研究[J]. 陳海紅.  軟件. 2015(05)
[10]特征加權(quán)的核學(xué)習(xí)方法[J]. 胡湘萍,李彥勤.  計(jì)算機(jī)工程與應(yīng)用. 2015(14)

博士論文
[1]面向醫(yī)學(xué)數(shù)據(jù)的隨機(jī)森林特征選擇及分類方法研究[D]. 姚登舉.哈爾濱工程大學(xué) 2016
[2]支持向量機(jī)關(guān)鍵技術(shù)及其在人體活動(dòng)識(shí)別中的應(yīng)用研究[D]. 姚毓凱.蘭州大學(xué) 2015

碩士論文
[1]隨機(jī)森林算法的優(yōu)化研究及在文本并行分類上的應(yīng)用[D]. 張?chǎng)?南京郵電大學(xué) 2018
[2]隨機(jī)森林自適應(yīng)特征選擇和參數(shù)優(yōu)化算法研究[D]. 劉凱.長(zhǎng)春工業(yè)大學(xué) 2018
[3]基于隨機(jī)森林特征選擇的貝葉斯分類模型及應(yīng)用[D]. 魯亞會(huì).華北水利水電大學(xué) 2017
[4]簡(jiǎn)化多核支持向量機(jī)的研究[D]. 杜海洋.北京交通大學(xué) 2015
[5]基于Relief特征選擇算法的研究與應(yīng)用[D]. 李曉嵐.大連理工大學(xué) 2013
[6]幾種特征加權(quán)支持向量機(jī)方法的比較研究[D]. 馬會(huì)敏.河北大學(xué) 2010
[7]支持向量機(jī)中Sigmoid核函數(shù)的研究[D]. 劉明.西安電子科技大學(xué) 2009



本文編號(hào)：2977340