目的:圍繞慢性心衰不良結(jié)局“類別不平衡”數(shù)據(jù)的預(yù)測問題,構(gòu)建基于SMOTE與優(yōu)化算法的支持向量機(jī)分類模型,實(shí)現(xiàn)對慢性心衰患者不良結(jié)局發(fā)生與否的預(yù)測,提高分類模型預(yù)測性能。為專業(yè)醫(yī)師進(jìn)行慢性心衰患者預(yù)后評估提供理論基礎(chǔ),繼而開展高風(fēng)險(xiǎn)患者治療干預(yù)計(jì)劃,降低病死率,改善預(yù)后。方法:回顧性收集山西醫(yī)科大學(xué)第一醫(yī)院和山西省心血管醫(yī)院2014年1月至2017年12月心內(nèi)科確診為心力衰竭的住院患者病歷資料。按照納入與排除標(biāo)準(zhǔn),最終篩選得到有效病歷�；谟行Рv,利用卡方檢驗(yàn)和秩和檢驗(yàn)篩選得到有統(tǒng)計(jì)學(xué)意義的預(yù)測變量。將全部數(shù)據(jù)集按照2:1:1劃分為訓(xùn)練集、驗(yàn)證集和測試集,以最終的預(yù)測變量作為輸入變量,以慢性心衰患者是否發(fā)生不良結(jié)局作為輸出變量,首先利用SMOTE算法均衡化訓(xùn)練集和驗(yàn)證集的正負(fù)類樣本,然后在驗(yàn)證集上實(shí)現(xiàn)支持向量機(jī)模型參數(shù)優(yōu)化,在訓(xùn)練集上構(gòu)建logistic回歸、支持向量機(jī)、遺傳算法支持向量機(jī)和粒子群支持向量機(jī)模型,同時(shí)基于未均衡化訓(xùn)練集構(gòu)建logistic回歸與支持向量機(jī)模型,最后在測試集上進(jìn)行分類模型預(yù)測性能評價(jià),利用靈敏度、特異度、準(zhǔn)確度、G-means、F-measure以及AU... 

【文章來源】： 程璠 山西醫(yī)科大學(xué)

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【部分圖文】：

遺傳算法基本流程

以 5 折交叉驗(yàn)證的分類準(zhǔn)確度作為遺傳算法中個(gè)體適應(yīng)度值越高；定的選擇概率，從初始種群中選擇個(gè)體染色體進(jìn)入，被選中的可能性越大；定的交叉概率，從選擇過程得到的染色體中隨機(jī)選成新的子代染色體；定的變異概率，從選擇過程得到的染色體中隨機(jī)選異，生成新的子代染色體；2—5），若達(dá)到預(yù)先設(shè)定的最大迭代次數(shù)，進(jìn)化終 ；參數(shù)c和 g 設(shè)置為支持向量機(jī)的模型參數(shù)，劃分訓(xùn)模型訓(xùn)練，在測試集上進(jìn)行模型性能評價(jià)。

于適應(yīng)度函數(shù)得來，用于評價(jià)每個(gè)粒子優(yōu)劣程得到每個(gè)粒子的適應(yīng)度值 Fit( i)；極值和群體極值的適應(yīng)度值 Fit( i)與各自的個(gè)體極值 Pbe子的適應(yīng)度值替代個(gè)體極值，更新個(gè)體極值群體極值 Gbest ，若某粒子 Pbest (i)優(yōu)于用該粒子個(gè)體極值替代群體極值，更新群體速度和位置)分別更新每個(gè)粒子的速度和位置；到預(yù)先設(shè)定的最大次數(shù)，則停止進(jìn)化，輸出


本文編號：3444119