【摘要】：近些年來(lái),大數(shù)據(jù)與機(jī)器學(xué)習(xí)等技術(shù)的快速發(fā)展為眾多行業(yè)帶來(lái)了創(chuàng)新與變革。隨著精準(zhǔn)醫(yī)療計(jì)劃的進(jìn)行,機(jī)器學(xué)習(xí)與健康醫(yī)療大數(shù)據(jù)的結(jié)合,給人們帶來(lái)了對(duì)未來(lái)大數(shù)據(jù)健康事業(yè)的無(wú)限遐想。為降低醫(yī)生由于自身經(jīng)驗(yàn)不足而對(duì)診斷造成對(duì)誤判的風(fēng)險(xiǎn),可將機(jī)器學(xué)習(xí)中的分類(lèi)算法應(yīng)用到疾病的輔助診斷中。使用模型分類(lèi)得到的結(jié)果來(lái)幫助醫(yī)生做出判斷,將能提高醫(yī)生診斷的準(zhǔn)確率。分類(lèi)算法首先針對(duì)訓(xùn)練集訓(xùn)練出相應(yīng)的分類(lèi)模型,之后將病人的檢查數(shù)據(jù)輸入到訓(xùn)練好的模型中,即可得到病人是否有患此類(lèi)疾病的可能。分類(lèi)預(yù)診模型雖然不能完全替代醫(yī)生,但醫(yī)生可通過(guò)參考其分類(lèi)結(jié)果來(lái)做出更精確的判斷。心臟病是人類(lèi)健康的首要?dú)⑹?世界上由心臟病引起的人口死亡約占1/3,我國(guó)每年亦有數(shù)十萬(wàn)的人死于心臟病。所以,若能通過(guò)人體的相關(guān)可測(cè)指標(biāo),使用大數(shù)據(jù)的研究方法來(lái)預(yù)測(cè)發(fā)生心臟病的可能,這將對(duì)人們了解自己的健康狀況及預(yù)防心臟病的發(fā)生起到至關(guān)重要的作用。本文的研究目的在于:通過(guò)比較幾種不同的分類(lèi)算法在心臟病數(shù)據(jù)集上的預(yù)測(cè)準(zhǔn)確率及其參數(shù)確定,找出對(duì)心臟病預(yù)診相對(duì)有效的分類(lèi)模型。主要研究?jī)?nèi)容與取得的成果如下:1、通過(guò)對(duì)比K近鄰、線性核SVM、RBF核SVM、邏輯回歸、決策樹(shù)、樸素貝葉斯以及隨機(jī)森林這7種分類(lèi)算法在心臟病數(shù)據(jù)集上的分類(lèi)準(zhǔn)確率,得到RBF核SVM在心臟病預(yù)診方面具有更高的分類(lèi)準(zhǔn)確率,該結(jié)論將作為后續(xù)研究的基礎(chǔ)。2、針對(duì)RBF核SVM的分類(lèi)準(zhǔn)確率受其參數(shù)組合影響較大的特點(diǎn),使用改進(jìn)后的APSO算法替代網(wǎng)格搜索法對(duì)其參數(shù)進(jìn)行優(yōu)化,提出了一種基于APSO算法改進(jìn)的RBF核SVM心臟病預(yù)診模型。3、將基于APSO算法改進(jìn)后的RBF核SVM分類(lèi)模型應(yīng)用于心臟病數(shù)據(jù)集的分類(lèi),結(jié)果證實(shí)分類(lèi)的準(zhǔn)確率被進(jìn)一步提升。分類(lèi)準(zhǔn)確率在克利夫蘭醫(yī)學(xué)中心的心臟病數(shù)據(jù)集上由85.56%提升至86.55%,在匈牙利心臟病研究所的心臟病數(shù)據(jù)集上由87.78%提升至88.80%。本文所提出的針對(duì)心臟病數(shù)據(jù)集的分類(lèi)預(yù)診模型,都分別在UCI的數(shù)據(jù)集上進(jìn)行了驗(yàn)證。
【圖文】：

圖 2.2 k 折交叉驗(yàn)證數(shù)據(jù)集劃分原理(k=助法（bootstrapping）在統(tǒng)計(jì)學(xué)上指的是一種有放無(wú)放回的抽樣方式不同。在對(duì)數(shù)據(jù)集進(jìn)行分樣得到 n 個(gè)樣本，之后將抽樣得到的這 n 個(gè)出現(xiàn)重復(fù)，也會(huì)有部分樣本從未被抽到，將的 n 次抽樣中，每個(gè)樣本每次被抽中的概率/n。n 次抽樣后，該樣本未被抽中的概率為(1未被抽中的概率為 1/e≈0.368。故可認(rèn)為測(cè)可得：針對(duì)樣本較多的情況，一般使用交叉對(duì)樣本較少的情況，一般使用自助法來(lái)劃分

圖 2.3 基于有限樣本繪制的 ROC 與 AUC能夠得到，AUC 的值可以通過(guò)對(duì) ROC 曲線下各部分的面的 AUC 的值為 1，其值通常介于 0.5 到 1.0 之間，AUC 性能較好。習(xí)計(jì)算庫(kù)計(jì)算庫(kù)可被認(rèn)為是一組簡(jiǎn)單有效的機(jī)器學(xué)習(xí)工具集，它開(kāi)任務(wù)包括：分類(lèi)、回歸、聚類(lèi)、降維、模型選擇、數(shù)據(jù)預(yù)NumPy庫(kù)Numerical Python）庫(kù)是一個(gè)開(kāi)源的 Python 科學(xué)計(jì)算庫(kù)，型的矩陣，，同時(shí)它還針對(duì)數(shù)組運(yùn)算提供非常多的數(shù)學(xué)函數(shù)的前身是 Numeric，最早它由 Jim Hugunin 與其他的合作者共
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類(lèi)號(hào)】：R541;TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 景寧,劉雨,彭甫陽(yáng);一種實(shí)用外分類(lèi)算法—快速分類(lèi)-折半插入算法的研究及實(shí)現(xiàn)[J];小型微型計(jì)算機(jī)系統(tǒng);1988年09期

2 劉隆和;許俊剛;朱平云;;一種復(fù)合自適應(yīng)分類(lèi)算法[J];自動(dòng)化學(xué)報(bào);1989年03期

3 段凡丁;;O(n)時(shí)間復(fù)雜性的超快速分類(lèi)算法[J];西南交通大學(xué)學(xué)報(bào);1992年03期

4 孫夢(mèng)夢(mèng);唐旭清;;基于粒度空間的最小生成樹(shù)分類(lèi)算法[J];南京大學(xué)學(xué)報(bào)(自然科學(xué));2017年05期

5 董賀;榮光怡;;數(shù)據(jù)挖掘中數(shù)據(jù)分類(lèi)算法的比較分析[J];吉林師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年04期

6 程建華;;數(shù)據(jù)挖掘分類(lèi)算法研究綜述[J];中國(guó)高新技術(shù)企業(yè);2008年24期

7 鄭智捷;幻序合并分類(lèi)算法[J];計(jì)算機(jī)學(xué)報(bào);1984年05期

8 劉紅巖,陳劍,陳國(guó)青;數(shù)據(jù)挖掘中的數(shù)據(jù)分類(lèi)算法綜述[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);2002年06期

9 張杰鑫;張錚;;包分類(lèi)算法研究綜述[J];計(jì)算機(jī)工程;2015年12期

10 劉文娟;;基于貝葉斯理論的分類(lèi)算法研究[J];計(jì)算機(jī)光盤(pán)軟件與應(yīng)用;2014年16期

相關(guān)會(huì)議論文 前10條

1 肖健華;孫德山;吳今培;;基于支持向量數(shù)據(jù)描述的多類(lèi)分類(lèi)算法及其在人臉識(shí)別中的應(yīng)用[A];2005年中國(guó)智能自動(dòng)化會(huì)議論文集[C];2005年

2 高紅霞;蔡錦龍;;基于支持向量機(jī)的印刷電路板焊點(diǎn)分類(lèi)算法[A];中國(guó)自動(dòng)化學(xué)會(huì)中南六省（區(qū)）2010年第28屆年會(huì)·論文集[C];2010年

3 趙波;唐常杰;朱明放;魏大剛;左R

本文編號(hào)：2616120