分类算法在心脏病预诊中的研究

发布时间：2020-04-06 06:03

【摘要】：近些年来,大数据与机器学习等技术的快速发展为众多行业带来了创新与变革。随着精准医疗计划的进行,机器学习与健康医疗大数据的结合,给人们带来了对未来大数据健康事业的无限遐想。为降低医生由于自身经验不足而对诊断造成对误判的风险,可将机器学习中的分类算法应用到疾病的辅助诊断中。使用模型分类得到的结果来帮助医生做出判断,将能提高医生诊断的准确率。分类算法首先针对训练集训练出相应的分类模型,之后将病人的检查数据输入到训练好的模型中,即可得到病人是否有患此类疾病的可能。分类预诊模型虽然不能完全替代医生,但医生可通过参考其分类结果来做出更精确的判断。心脏病是人类健康的首要杀手,世界上由心脏病引起的人口死亡约占1/3,我国每年亦有数十万的人死于心脏病。所以,若能通过人体的相关可测指标,使用大数据的研究方法来预测发生心脏病的可能,这将对人们了解自己的健康状况及预防心脏病的发生起到至关重要的作用。本文的研究目的在于:通过比较几种不同的分类算法在心脏病数据集上的预测准确率及其参数确定,找出对心脏病预诊相对有效的分类模型。主要研究内容与取得的成果如下:1、通过对比K近邻、线性核SVM、RBF核SVM、逻辑回归、决策树、朴素贝叶斯以及随机森林这7种分类算法在心脏病数据集上的分类准确率,得到RBF核SVM在心脏病预诊方面具有更高的分类准确率,该结论将作为后续研究的基础。2、针对RBF核SVM的分类准确率受其参数组合影响较大的特点,使用改进后的APSO算法替代网格搜索法对其参数进行优化,提出了一种基于APSO算法改进的RBF核SVM心脏病预诊模型。3、将基于APSO算法改进后的RBF核SVM分类模型应用于心脏病数据集的分类,结果证实分类的准确率被进一步提升。分类准确率在克利夫兰医学中心的心脏病数据集上由85.56%提升至86.55%,在匈牙利心脏病研究所的心脏病数据集上由87.78%提升至88.80%。本文所提出的针对心脏病数据集的分类预诊模型,都分别在UCI的数据集上进行了验证。
【图文】：

原理图,交叉验证,数据集,原理

图 2.2 k 折交叉验证数据集划分原理(k=助法（bootstrapping）在统计学上指的是一种有放无放回的抽样方式不同。在对数据集进行分样得到 n 个样本，之后将抽样得到的这 n 个出现重复，也会有部分样本从未被抽到，将的 n 次抽样中，每个样本每次被抽中的概率/n。n 次抽样后，该样本未被抽中的概率为(1未被抽中的概率为 1/e≈0.368。故可认为测可得：针对样本较多的情况，一般使用交叉对样本较少的情况，一般使用自助法来划分

曲线,数组运算,任务包,数学函数

图 2.3 基于有限样本绘制的 ROC 与 AUC能够得到，AUC 的值可以通过对 ROC 曲线下各部分的面的 AUC 的值为 1，其值通常介于 0.5 到 1.0 之间，AUC 性能较好。习计算库计算库可被认为是一组简单有效的机器学习工具集，它开任务包括：分类、回归、聚类、降维、模型选择、数据预NumPy库Numerical Python）库是一个开源的 Python 科学计算库，型的矩阵，，同时它还针对数组运算提供非常多的数学函数的前身是 Numeric，最早它由 Jim Hugunin 与其他的合作者共
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R541;TP18

【相似文献】