本文選題：AdaBoost　切入點(diǎn)：分類樹　出處：《中國衛(wèi)生統(tǒng)計(jì)》2017年01期

【摘要】：目的通過對2013年"北京市第五次國家衛(wèi)生服務(wù)調(diào)查"中高血壓患者兩周就診數(shù)據(jù)的分析,探討高血壓患者兩周就診機(jī)構(gòu)的選擇及影響因素。方法使用Ada Boost和分類樹組合分類器對高血壓患者兩周首次就診機(jī)構(gòu)進(jìn)行分類,獲得變量相對重要性排序結(jié)果,利用十折交叉驗(yàn)證法計(jì)算錯分率,錯分率的可接受程度為0~0.3,選擇錯分率最小的模型進(jìn)行結(jié)果解釋。結(jié)果本次1128例患者中,兩周首次就診選擇基層醫(yī)療衛(wèi)生機(jī)構(gòu)的占75.7%。選用的AdaBoost和分類樹組合分類器的模型錯分率為0.177。經(jīng)Ada Boost和分類樹組合分類器對10個自變量按照相對重要性進(jìn)行排序,其中排名最高的三個變量依次為受教育程度、家庭人均收入、家人常去醫(yī)療機(jī)構(gòu),并繪制能夠分別說明這三個變量的分類樹。結(jié)論對于北京市兩周就診的高血壓病患者來說,首診選擇基層醫(yī)療衛(wèi)生機(jī)構(gòu)的比例較高,受教育程度、家庭人均收入和家人常去醫(yī)療機(jī)構(gòu)是影響其是否選擇基層醫(yī)療衛(wèi)生機(jī)構(gòu)的最重要因素。
[Abstract]:Objective to analyze the two-week visit data of hypertension patients in the Fifth National Health Service Survey of Beijing in 2013. Methods Ada Boost and classification tree combined classifier were used to classify the first visit organization in two weeks of hypertension patients, and the results of relative importance ranking of variables were obtained. Ten fold cross-validation method was used to calculate the error score rate. The acceptable degree of error score rate was 0 / 0.3. The model with the lowest error score rate was selected to explain the results. Results of the 1128 patients, In two weeks, 75.75.75% of the primary medical and health institutions were selected for the first visit. The model error rate of the selected AdaBoost and classification tree combination classifier was 0.177. Ten independent variables were sorted according to relative importance by Ada Boost and classification tree combination classifier. The top three variables in order are education level, family income per capita, family members often go to medical institutions, and draw the classification tree which can explain these three variables separately. Conclusion for the patients with hypertension in Beijing two weeks, The proportion of primary medical and health institutions is high, the education level, the average family income and the family often go to medical institutions are the most important factors that influence the selection of primary health care institutions.
【作者單位】： 北京大學(xué)公共衛(wèi)生學(xué)院;北京市公共衛(wèi)生信息中心;鄭州大學(xué)第一附屬醫(yī)院;
【分類號】：R544.1

【相似文獻(xiàn)】

相關(guān)期刊論文 前5條

1 裴曉梅;鄭崇勛;;基于Adaboost技術(shù)的大腦運(yùn)動意識任務(wù)分類[J];北京生物醫(yī)學(xué)工程;2008年05期

2 田銀;李沛洋;徐鵬;;基于AdaBoost的腦機(jī)接口分類算法研究[J];電子科技大學(xué)學(xué)報(bào);2013年05期

3 柳秋云;;改進(jìn)的樸素貝葉斯分類器在醫(yī)療診斷中的應(yīng)用[J];科技創(chuàng)新導(dǎo)報(bào);2008年31期

4 綦宏志;許敏鵬;明東;萬柏坤;劉志朋;殷濤;;P300 Speller中基于AdaBoost SVM的導(dǎo)聯(lián)篩選研究[J];儀器儀表學(xué)報(bào);2012年05期

5 ;[J];;年期

相關(guān)會議論文 前10條

1 Wen Feng;;A Novel Lips Detection Method Combined Adaboost Algorithm and Camshift Algorithm[A];2012年計(jì)算機(jī)應(yīng)用與系統(tǒng)建模國際會議論文集[C];2012年

2 張超;苗振江;;基于AdaBoost的面部信息感知[A];第十三屆全國信號處理學(xué)術(shù)年會（CCSP-2007）論文集[C];2007年

3 郭翌;汪源源;;基于Adaboost算法的頸動脈粥樣硬化判別方法[A];中國儀器儀表學(xué)會第十一屆青年學(xué)術(shù)會議論文集[C];2009年

4 張紅梅;高海華;王行愚;;抑制樣本噪聲的AdaBoost算法及其在入侵檢測中的應(yīng)用[A];2007年中國智能自動化會議論文集[C];2007年

5 陸文聰;鈕冰;金雨歡;;基于AdaBoost算法的亞細(xì)胞位置預(yù)測[A];中國化學(xué)會第26屆學(xué)術(shù)年會化學(xué)信息學(xué)與化學(xué)計(jì)量學(xué)分會場論文集[C];2008年

6 陳宏偉;劉建偉;費(fèi)向東;;一種半監(jiān)督環(huán)境下的Adaboost算法[A];2008'中國信息技術(shù)與應(yīng)用學(xué)術(shù)論壇論文集（二）[C];2008年

7 唐曉丹;苗振江;;基于AdaBoost和粒子濾波的目標(biāo)跟蹤[A];第十四屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2008年

8 張彬;金連文;;基于AdaBoost的手寫體漢字相似字符識別[A];第二十六屆中國控制會議論文集[C];2007年

9 ;Using Skin Color and HAD-AdaBoost Algorithm for Face Detection in Color Images[A];Information Technology and Computer Science—Proceedings of 2012 National Conference on Information Technology and Computer Science[C];2012年

10 肖磊;李麗;肖佳文;;基于AdaBoost-SVM的上市公司信用風(fēng)險評估[A];2012管理創(chuàng)新、智能科技與經(jīng)濟(jì)發(fā)展研討會論文集[C];2012年

相關(guān)博士學(xué)位論文 前4條

1 佟旭;基于復(fù)雜網(wǎng)絡(luò)理論的糖尿病腎病辨證建模研究[D];北京中醫(yī)藥大學(xué);2016年

2 劉沖;模擬電路故障診斷AdaBoost集成學(xué)習(xí)方法研究[D];大連海事大學(xué);2011年

3 張?zhí)珜?人眼注視點(diǎn)估計(jì)方法的研究[D];南開大學(xué);2013年

4 趙培英;基于智能計(jì)算的膜蛋白結(jié)構(gòu)與相互作用預(yù)測研究[D];東華大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 皮麗琴;基于AdaBoost-GASVM算法和LDA主題模型的短文本分類研究[D];華南理工大學(xué);2015年

2 孫斌;一種基于Adaboost的實(shí)時行人檢測算法[D];華南理工大學(xué);2015年

3 蔡澤彬;基于視頻分析的行人檢測及統(tǒng)計(jì)方法研究[D];華南理工大學(xué);2015年

4 游晴;Adaboost人臉檢測算法研究及其在硬件平臺上的實(shí)現(xiàn)[D];昆明理工大學(xué);2015年

5 宋雨;基于視覺圖片的腦—機(jī)接口控制研究[D];天津理工大學(xué);2015年

6 林欣;基于改進(jìn)膚色模型的AdaBoost人臉檢測算法研究[D];陜西科技大學(xué);2015年

7 袁浩杰;Adaboost算法的并行化及其在目標(biāo)分類中的應(yīng)用[D];華南理工大學(xué);2015年

8 張恒;基于近紅外圖像的疲勞駕駛檢測研究與系統(tǒng)實(shí)現(xiàn)[D];長安大學(xué);2015年

9 朱非易;基于不平衡學(xué)習(xí)的蛋白質(zhì)—維生素綁定位點(diǎn)預(yù)測研究[D];南京理工大學(xué);2015年

10 張?jiān)?一種基于AdaBoost的組合分類算法研究[D];四川師范大學(xué);2015年

，

本文編號：1686653