基于多评价标准融合的医疗数据特征选择算法

发布时间：2021-07-20 06:00

　　基于医疗数据具有高维度、稀疏等特点,本文提出了一种融合多个评价标准的递归特征消除算法.首先,应用过滤型特征评价标准对特征进行初步筛选;然后,采用特征序列方法对多个特征评价标准的结果进行融合;最后,结合递归特征消除搜索方法进行特征选择.在医疗数据集上与使用单一评价标准的特征选择方法进行疾病预测性能对比实验.结果表明:本文所提方法的预测表现优于其他特征选择方法,其预测的AUC值、精确率、召回率、F1值、准确率均有所提升. 

【文章来源】：复旦学报(自然科学版). 2019,58(02)北大核心CSCD

【文章页数】：7 页

【部分图文】：

图１基于特征序列的多评价标准融合方法Ｆｉｇ．１Ｆｅａｔｕｒｅｒａｎｋｉｎｇ－ｂａｓｅｄｍｕｌｔｉ－ｃｒｉｔｅｒｉｏｎｆｕｓｉｏｎ

图３ＬＲ分类器中５种算法ＡＵＣ值对比Ｆｉｇ．３ＡＵＣｃｏｍｐａｒｉｓｏｎｓａｍｏｎｇ５ａｌｇｏｒｉｔｈｍｓｕｓｉｎｇＬＲｃｌａｓｓｉｆｉｃａｔｉｏｎ图４ＳＶＭ分类器中５种算法ＡＵＣ值对比Ｆｉｇ．４ＡＵＣｃｏｍｐａｒｉｓｏｎｓａｍｏｎｇ５ａｌｇｏｒｉｔｈｍｓｕｓｉｎｇＳＶＭｃｌａｓｓｉｆｉｃａｔｉｏｎ通过图３、图４可以发现，ＭＣＦ－ＲＦＥ方法在２个分类器中表现均优于其他４种方法，其中ＳＶＭ－ＲＦＥ方法表现优于ＡＷ－ＳＶＭ方法．例如，在ＬＲ分类器中（图３），当选择５０个特征时，ＭＣＦ－ＲＦＥ方法得到的ＡＵＣ值为０．８８４，ＡＷ－ＤＴ方法的ＡＵＣ值为０．８５２，ＳＶＭ－ＲＦＥ方法的ＡＵＣ值为０．８２２，ＡＷ－ＳＶＭ方法的ＡＵＣ值为０．７４７，ＡＷ－ＬＲ方法的ＡＵＣ值为０．７０８．随着特征数增加，本文选择集成的ＡＷ－ＳＶＭ、ＡＷ－ＤＴ、ＡＷ－ＬＲ３种评价标准的预测结果具有互补性，并且逐渐趋向稳定．由于以上特征选择方法是在卡方检验筛选出的５００个特征的基础上再次进行筛选，因此随着特征数增加，各特征选择方法筛出的特征子集包含越来越多的共同特征，使得各方法的ＡＵＣ值差距逐渐减小．表１５种特征选择方法的预测表现Ｔａｂ．１Ｔｈｅｐｒｅｄｉｃｔｉｏｎｐｅｒｆｏｒｍａｎｃｅｏｆ５ｆｅａｔｕｒｅｓｅｌｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｓ分类器特征选择方法ＰＲＦ１ＡＬＲＡＷ－ＬＲ０．７８０．５００．６１０．７０ＬＲＡＷ－ＳＶＭ０．７４０．７３０．７３０．７５ＬＲＡ

图３ＬＲ分类器中５种算法ＡＵＣ值对比Ｆｉｇ．３ＡＵＣｃｏｍｐａｒｉｓｏｎｓａｍｏｎｇ５ａｌｇｏｒｉｔｈｍｓｕｓｉｎｇＬＲｃｌａｓｓｉｆｉｃａｔｉｏｎ图４ＳＶＭ分类器中５种算法ＡＵＣ值对比Ｆｉｇ．４ＡＵＣｃｏｍｐａｒｉｓｏｎｓａｍｏｎｇ５ａｌｇｏｒｉｔｈｍｓｕｓｉｎｇＳＶＭｃｌａｓｓｉｆｉｃａｔｉｏｎ通过图３、图４可以发现，ＭＣＦ－ＲＦＥ方法在２个分类器中表现均优于其他４种方法，其中ＳＶＭ－ＲＦＥ方法表现优于ＡＷ－ＳＶＭ方法．例如，在ＬＲ分类器中（图３），当选择５０个特征时，ＭＣＦ－ＲＦＥ方法得到的ＡＵＣ值为０．８８４，ＡＷ－ＤＴ方法的ＡＵＣ值为０．８５２，ＳＶＭ－ＲＦＥ方法的ＡＵＣ值为０．８２２，ＡＷ－ＳＶＭ方法的ＡＵＣ值为０．７４７，ＡＷ－ＬＲ方法的ＡＵＣ值为０．７０８．随着特征数增加，本文选择集成的ＡＷ－ＳＶＭ、ＡＷ－ＤＴ、ＡＷ－ＬＲ３种评价标准的预测结果具有互补性，并且逐渐趋向稳定．由于以上特征选择方法是在卡方检验筛选出的５００个特征的基础上再次进行筛选，因此随着特征数增加，各特征选择方法筛出的特征子集包含越来越多的共同特征，使得各方法的ＡＵＣ值差距逐渐减小．表１５种特征选择方法的预测表现Ｔａｂ．１Ｔｈｅｐｒｅｄｉｃｔｉｏｎｐｅｒｆｏｒｍａｎｃｅｏｆ５ｆｅａｔｕｒｅｓｅｌｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｓ分类器特征选择方法ＰＲＦ１ＡＬＲＡＷ－ＬＲ０．７８０．５００．６１０．７０ＬＲＡＷ－ＳＶＭ０．７４０．７３０．７３０．７５ＬＲＡ

【参考文献】：
期刊论文
[1]狼疮性肾炎发病机理的研究进展[J]. 聂英坤,张凤山,孙凤琴.  中国免疫学杂志. 2003(11)



本文编号：3292278