【摘要】：傳統(tǒng)的疾病診斷方法依賴于醫(yī)生的經(jīng)驗(yàn)水平和外部環(huán)境,誤診則可能帶來(lái)無(wú)法挽回的后果。研究基于機(jī)器學(xué)習(xí)的疾病診斷預(yù)測(cè)模型,能夠輔助提高疾病診斷的準(zhǔn)確性,減少疾病診斷成本,減輕醫(yī)生工作壓力。隨著疾病種類越來(lái)越多以及數(shù)據(jù)特征越來(lái)越復(fù)雜,使用單一分類器建立的疾病診斷模型已經(jīng)不能保證決策的正確性。在機(jī)器學(xué)習(xí)算法中,考慮集成多種技術(shù)的方法,進(jìn)一步提高分類預(yù)測(cè)模型的分類性能。本文引入動(dòng)態(tài)權(quán)重的思想,同時(shí)將幾種不同的分類器集成在一起,并針對(duì)數(shù)據(jù)的不平衡改變決策閾值,提出了CELEDAT算法。主要工作如下:使用單一的分類算法很難達(dá)到較為滿意的分類預(yù)測(cè)結(jié)果,本文基于集成學(xué)習(xí)的思想,與大多集成學(xué)習(xí)算法集成同質(zhì)分類器不同,選擇了K近鄰算法、決策樹、支持向量機(jī)和邏輯回歸四種不同的分類算法作為基分類器進(jìn)行集成。針對(duì)傳統(tǒng)的集成學(xué)習(xí)算法中確定基分類器的權(quán)重后是一成不變的,沒有考慮到不同的樣本數(shù)據(jù)與基分類器的適應(yīng)性不同這一問題。引入動(dòng)態(tài)權(quán)重的思想,根據(jù)測(cè)試樣本與聚類得到的類簇的樣本相似性以及各類簇與基分類器的權(quán)重,為每個(gè)測(cè)試樣本分配不同的權(quán)重。對(duì)于疾病數(shù)據(jù)集中的數(shù)據(jù)不平衡問題,根據(jù)不同類別的樣本數(shù)目,改變決策閾值,更新決策規(guī)則,得到最終的預(yù)測(cè)結(jié)果。將算法在UCI數(shù)據(jù)資源庫(kù)上的多個(gè)疾病數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)驗(yàn)證,并對(duì)實(shí)驗(yàn)結(jié)果使用G-mean、AUC、F1分?jǐn)?shù)、正確率、靈敏度和特異度多種指標(biāo)從多角度去對(duì)比分析模型的分類性能。對(duì)各種數(shù)據(jù)集的評(píng)價(jià)結(jié)果,進(jìn)行了簡(jiǎn)單的可視化展示,更直觀地對(duì)比分析各個(gè)算法模型的優(yōu)劣。同時(shí),將CELEDAT算法應(yīng)用于實(shí)際的醫(yī)學(xué)臨床項(xiàng)目中,并進(jìn)行驗(yàn)證。
【圖文】：

3 結(jié)合集成學(xué)習(xí)和動(dòng)態(tài)權(quán)重的疾病診斷預(yù)測(cè)模型利用敏捷開發(fā)方法，采用 UML 模型的建模方法對(duì)本系統(tǒng)進(jìn)行簡(jiǎn)要需求分析細(xì)設(shè)計(jì)與實(shí)現(xiàn)。對(duì)本節(jié)所使用的 Highcharts 圖表框架技術(shù)進(jìn)行展示實(shí)現(xiàn)。該基于 B/S(Brower/Server)模式進(jìn)行設(shè)計(jì)，通過瀏覽器訪問地址，，將請(qǐng)求通過 werver 與后臺(tái)進(jìn)行數(shù)據(jù)交互。Server 端采用 JFinal 輕量級(jí)開發(fā)框架進(jìn)行實(shí)現(xiàn)。用戶在系統(tǒng)主界面先選擇指標(biāo),然后選擇要對(duì)比的數(shù)據(jù)集(默認(rèn)選擇所有集)，主頁(yè)面如圖 3.5 所示。在折線圖和柱狀圖的下方顯示所有算法，可以切換只查看柱狀圖或者折線圖，實(shí)現(xiàn)效果如圖 3.6 所示。

所有數(shù)據(jù)集折線圖及柱狀圖展示
【學(xué)位授予單位】：鄭州大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP181;R-05

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 徐繼偉;楊云;;集成學(xué)習(xí)方法:研究綜述[J];云南大學(xué)學(xué)報(bào)(自然科學(xué)版);2018年06期

2 武玉英;嚴(yán)勇;蔣國(guó)瑞;;基于動(dòng)態(tài)選擇性集成學(xué)習(xí)的供應(yīng)鏈產(chǎn)銷協(xié)商優(yōu)化策略[J];計(jì)算機(jī)工程;2017年05期

3 張滄生;崔麗娟;楊剛;倪志宏;;集成學(xué)習(xí)算法的比較研究[J];河北大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年05期

4 郭福亮;周鋼;;集成學(xué)習(xí)中預(yù)測(cè)精度的影響因素分析[J];兵工自動(dòng)化;2019年01期

5 曾一平;;基于集成學(xué)習(xí)的小麥識(shí)別研究[J];現(xiàn)代商貿(mào)工業(yè);2019年17期

6 米碩;孫瑞彬;李欣;明曉;;集成學(xué)習(xí)在文本分類問題中的應(yīng)用[J];中國(guó)新通信;2018年09期

7 李曄;劉勝利;張兆林;;基于漂移檢測(cè)和集成學(xué)習(xí)的木馬檢測(cè)模型[J];信息工程大學(xué)學(xué)報(bào);2017年06期

8 徐桂云;陳躍;張曉光;劉云楷;;基于選擇性集成學(xué)習(xí)的焊接缺陷識(shí)別研究[J];中國(guó)礦業(yè)大學(xué)學(xué)報(bào);2011年06期

9 張春霞;張講社;;選擇性集成學(xué)習(xí)算法綜述[J];計(jì)算機(jī)學(xué)報(bào);2011年08期

10 饒峰;;核機(jī)器集成學(xué)習(xí)算法的誤差分析[J];重慶文理學(xué)院學(xué)報(bào)(自然科學(xué)版);2010年04期

相關(guān)會(huì)議論文 前10條

1 關(guān)鵬洲;王夢(mèng)毫;李倩;;基于集成學(xué)習(xí)和深度學(xué)習(xí)的短期降雨預(yù)測(cè)模型[A];2017年（第五屆）全國(guó)大學(xué)生統(tǒng)計(jì)建模大賽獲獎(jiǎng)?wù)撐倪x[C];2017年

2 杜方鍵;楊宏暉;;K均值聚類優(yōu)化集成學(xué)習(xí)[A];2011'中國(guó)西部聲學(xué)學(xué)術(shù)交流會(huì)論文集[C];2011年

3 倪志偉;張琛;倪麗萍;;基于螢火蟲群優(yōu)化算法的選擇性集成霾天氣預(yù)報(bào)方法[A];中國(guó)系統(tǒng)工程學(xué)會(huì)第十八屆學(xué)術(shù)年會(huì)論文集——A12系統(tǒng)科學(xué)與系統(tǒng)工程理論在各個(gè)領(lǐng)域中的應(yīng)用研究[C];2014年

4 李燁;蔡云澤;許曉鳴;;基于支持向量機(jī)集成的故障診斷[A];第16屆中國(guó)過程控制學(xué)術(shù)年會(huì)暨第4屆全國(guó)故障診斷與安全性學(xué)術(shù)會(huì)議論文集[C];2005年

5 吳龍飛;孫浩;計(jì)科峰;;基于集成映射的半監(jiān)督圖像分類方法[A];第八屆全國(guó)信號(hào)和智能信息處理與應(yīng)用學(xué)術(shù)會(huì)議會(huì)刊[C];2014年

6 邱誠(chéng);倪子偉;陳珂;蘇旋;鄒權(quán);;基于聚類方法的基分類器選擇策略研究[A];第29屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（B輯）（NDBC2012）[C];2012年

7 張紅梅;;基于粗糙集特征約簡(jiǎn)的SVM集成入侵檢測(cè)模型[A];2009中國(guó)控制與決策會(huì)議論文集（3）[C];2009年

8 程麗麗;張健沛;楊靜;馬駿;;一種提高支持向量機(jī)集成差異性的學(xué)習(xí)方法[A];第二十五屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（一）[C];2008年

9 劉錕;邢延;蔡延光;;一種針對(duì)交互式學(xué)習(xí)系統(tǒng)日志數(shù)據(jù)的輕型化挖掘方法[A];2011年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第一分冊(cè)）[C];2011年

10 劉伍穎;王挺;;一種多過濾器集成學(xué)習(xí)垃圾郵件過濾方法[A];第三屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集[C];2007年

相關(guān)重要報(bào)紙文章 前1條

1 本報(bào)記者 張曄;人腦比電腦更重要[N];科技日?qǐng)?bào);2008年

相關(guān)博士學(xué)位論文 前10條

1 李艷秋;基于集成學(xué)習(xí)的人臉識(shí)別研究[D];合肥工業(yè)大學(xué);2018年

2 趙鶴;面向高維大數(shù)據(jù)的子空間集成學(xué)習(xí)方法研究[D];中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院深圳先進(jìn)技術(shù)研究院);2017年

3 劉天羽;基于特征選擇技術(shù)的集成學(xué)習(xí)方法及其應(yīng)用研究[D];上海大學(xué);2007年

4 侯勇;特征提取與集成學(xué)習(xí)算法的研究及應(yīng)用[D];北京科技大學(xué);2015年

5 孫永宣;集成學(xué)習(xí)下的圖像分析關(guān)鍵問題研究[D];合肥工業(yè)大學(xué);2013年

6 尹華;面向高維和不平衡數(shù)據(jù)分類的集成學(xué)習(xí)研究[D];武漢大學(xué);2012年

7 阿里木·賽買提(Alim.Samat);基于集成學(xué)習(xí)的全極化SAR圖像分類研究[D];南京大學(xué);2015年

8 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

9 鈕冰;基于集成學(xué)習(xí)算法的若干生物信息學(xué)問題研究[D];上海大學(xué);2009年

10 程麗麗;支持向量機(jī)集成學(xué)習(xí)算法研究[D];哈爾濱工程大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 朱俊;選擇性集成學(xué)習(xí)及其應(yīng)用研究[D];華東交通大學(xué);2016年

2 鄭麗容;基于聚類和動(dòng)態(tài)更新的啟發(fā)式選擇性集成學(xué)習(xí)算法[D];廈門大學(xué);2017年

3 雍振煌;基于評(píng)論極性與集成學(xué)習(xí)的微博謠言檢測(cè)研究[D];武漢理工大學(xué);2018年

4 王宏杰;基于聚類集成的半監(jiān)督分類算法研究[D];西南石油大學(xué);2018年

5 常建芳;基于集成學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)的太陽(yáng)能輻照度預(yù)測(cè)方法[D];天津大學(xué);2018年

6 邸研哲;基于相似性方法的藥物—疾病相互作用關(guān)系預(yù)測(cè)[D];安徽大學(xué);2019年

7 陳檢;小波變換—集成學(xué)習(xí)算法的組合預(yù)測(cè)模型應(yīng)用研究[D];山東財(cái)經(jīng)大學(xué);2019年

8 位云朋;基于多模態(tài)進(jìn)化計(jì)算的集成學(xué)習(xí)器研究與應(yīng)用[D];鄭州大學(xué);2019年

9 李輝華;基于集成學(xué)習(xí)的出租車預(yù)計(jì)到達(dá)時(shí)間預(yù)測(cè)[D];廈門大學(xué);2018年

10 葉明;基于集成學(xué)習(xí)的疾病輔助診斷關(guān)鍵技術(shù)研究與實(shí)現(xiàn)[D];鄭州大學(xué);2019年

本文編號(hào)：2654230