【摘要】：隨著各種數(shù)據(jù)采集設備的不斷完善和豐富,每天都會產生大量的數(shù)據(jù),這種現(xiàn)象在醫(yī)療行業(yè)也不例外。在醫(yī)療行業(yè),每天都會產生大量的病例數(shù)據(jù)、病人診斷信息數(shù)據(jù)、醫(yī)生開具的處方信息數(shù)據(jù)等等。與此同時,針對數(shù)據(jù)進行信息挖掘的相關技術也在不斷的發(fā)展,如何將數(shù)據(jù)挖掘的相關技術應用到醫(yī)療行業(yè)中,挖掘出一些新的知識和規(guī)則,越來越得到大家廣泛的關注。由于心臟病嚴重的威脅了人類的健康,每年全世界有超過1500多萬人死于心臟病,全世界范圍內關于心臟病的研究也在不斷的進行。在計算機領域里,應用于心臟病預測的系統(tǒng),當前較為成熟的是心臟病診斷專家系統(tǒng)。專家系統(tǒng)啟發(fā)性強,能使用來自領域專家所積累的知識和經驗,來對相關問題進行邏輯推理和結果判斷,同時也較為靈活。但是專家系統(tǒng)缺乏自學習性,系統(tǒng)中的知識補充依賴于領域專家的知識和經驗提升。使用決策樹算法,可以克服專家系統(tǒng)的一些不足。首先決策樹具有很強的自學習性,其模型構建僅依賴于數(shù)據(jù)。同時,決策樹較之其他的機器學習算法,還具有過程可解釋性的特點,根據(jù)模型可以很方便的歸納出相關規(guī)則和知識,這對新知識的挖掘具有很重大的意義。在本課題中,分別使用ID3,C4.5和CART決策樹算法,構建了 3個決策樹模型。旨在找到,在心臟病病例數(shù)據(jù)中,具有更高性能和更高預測準確率的模型。同時,由于算法各有優(yōu)劣,為了不斷的提高模型的預測準確度,本文將這三個算法的模型進行了組合,同時引入了模型貢獻度的概念,采用將三個模型的預估值進行加權求和并加上修正值,共同組成最終的預測結果。使用測試數(shù)據(jù)對構建的模型進行測試,其結果也驗證了改進是相對有效的。與此同時,根據(jù)構建的模型可以挖掘出和心臟病有緊密關聯(lián)的屬性特征,構建出心臟病預測的簡易模型,從而輔助醫(yī)療從業(yè)人員和病患對心臟病進行診斷和預防的工作。
【學位授予單位】：華北電力大學(北京)
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：R541;TP311.13
【圖文】：

下來后是以ｃｓｖ格式存儲的，由于數(shù)據(jù)屮數(shù)據(jù)類型不一致，無法直接導入到數(shù)據(jù)逡逑庫中。分析原數(shù)據(jù)中的數(shù)據(jù)后，確定了各個值的類型，設計好數(shù)據(jù)庫表后，將數(shù)逡逑據(jù)導入到數(shù)據(jù)庫中，數(shù)據(jù)獲取流程如圖３－１所示。逡逑設計逡逑數(shù)據(jù)邐導入逡逑Ｎ邋ＣＳＶ邋．邋分析邐數(shù)據(jù)逡逑Ｔ邋載邐匚＾＞邋數(shù)據(jù)逡逑＾邋文件邐數(shù)據(jù)邐庫表邐ｙ逡逑中心邐庫逡逑結構逡逑圖３－１原數(shù)據(jù)獲取流程逡逑根據(jù)原數(shù)據(jù)的屬性信息，和取值特征，設計的數(shù)據(jù)庫表結構如表３－１所示。逡逑表３－１數(shù)據(jù)庫表結構逡逑￣￣邐字段名稱邐長度邐數(shù)據(jù)類型邐允許為空邐說明逡逑ａｇｅ邐５邐Ｆｌｏａｔ邐ＹＥＳ邐年齡逡逑ｓｅｘ邐＿＿邐２邐Ｆｌｏａｔ邐ＹＥＳ邐性別逡逑ｃｐ邐５邐Ｆｌｏａｔ邐ＹＥＳ邐胸痛類型逡逑ｔｒｅｓｔｂｐｓ邐５邐Ｆｌｏａｔ邐ＹＥＳ邐靜息血壓逡逑１３逡逑

——一邋——邋（Ｎ＜Ｎ＜ＮＣＮｊ（ＮｆＮｊ逡逑圖３－６靜息血壓值的分布（單位：ｍｍＨｇ）逡逑從圖３－ｆｉ中也可以看出原數(shù)據(jù)中，靜息血壓屬性值的范圍在９０－２００邋（單位：逡逑ｍｍＨｇ）之間，符合醫(yī)學上的測量范圍。逡逑血mü檀己垮義希叮埃板義希板義希蓿錚錚浚錚跡

本文編號：2778475