面向疾病诊断的多分类器集成方法研究

发布时间：2020-12-31 02:56

　　研究基于多分类器集成的疾病诊断模型,对提高疾病诊断的准确性、及时性,减轻医务人员的负担,具有十分重要的意义。对于医疗检测出的数值结果,机器学习方法可以进行主动学习,因此被广泛应用于各种医疗诊断系统。疾病诊断是一个复杂的决策过程,可用机器学习中分类方法来解决。然而对未知数据,若使用单一分类方法进行预测很难达到较高的泛化能力。因此在实际的应用中,需综合考虑多分类器组合和优化。多分类器集成能显著提高一个学习系统的泛化能力,因而在机器学习界得到了广泛的关注。论文在研究疾病诊断方法以及多分类器集成的基础上,主要研究了以支持向量机(SVM)作为基分类器的多分类器集成诊断模型及优化。主要的研究内容和工作成果如下:1、对传统的基于机器学习的疾病诊断系统进行了研究,考虑到疾病数据具有分布不平衡、冗余和高维特性等现象,研究了数据预处理,降维及不平衡数据处理方法。以典型SVM与KNN方法为基础,建立了单分类器疾病诊断模型,在糖尿病与乳腺癌数据集上进行了实验,结果表明,SVM诊断方法表现了更好的预测性能。2、对多分类器集成方法进行了深入分析,重点研究了Adaboost与Bagging算法,分别利用Adaboo... 

【文章来源】：华东交通大学江西省

【文章页数】：52 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 疾病诊断研究现状
        1.2.2 多分类器集成研究现状
    1.3 论文的主要工作及组织结构
        1.3.1 论文的主要工作
        1.3.2 论文的组织结构
第二章 基于机器学习的疾病诊断
    2.1 疾病诊断过程
    2.2 数据的预处理
        2.2.1 数据归一化处理
        2.2.2 数据降维技术
        2.2.3 数据不平衡处理方法
    2.3 评价指标
    2.4 分类算法
        2.4.1 SVM分类算法
        2.4.2 KNN分类算法
    2.5 实验描述及结果分析
        2.5.1 实验描述
        2.5.2 结果分析
    2.6 本章小结
第三章 多分类器集成诊断模型
    3.1 多分类器集成概述
        3.1.1 单分类器
        3.1.2 组合策略
    3.2 典型集成算法
        3.2.1 Adaboost集成算法
        3.2.2 Bagging集成算法
    3.3 集成诊断模型
SVM多分类器集成诊断模型">        3.3.1 Adaboost_SVM多分类器集成诊断模型
SVM多分类器集成诊断模型">        3.3.2 Bagging_SVM多分类器集成诊断模型
    3.4 实验描述及结果分析
        3.4.1 实验描述
        3.4.2 结果分析
    3.5 本章小结
第四章 基于多样性与准确率的多分类器选择性集成诊断模型
    4.1 选择性集成理论
    4.2 多分类器选择性集成框架
        4.2.1 多样性的定义与度量方法
        4.2.2 基分类器选取准则
        4.2.3 基分类器选取算法
        4.2.4 选择性集成框架
    4.3 基于WDA与GA的选择性集成诊断模型
    4.4 实验描述与结果分析
        4.4.1 实验描述
        4.4.2 结果分析
    4.5 本章小结
第五章 总结与展望
    5.1 主要工作回顾
    5.2 本课题今后需进一步研究的地方
参考文献
个人简历
致谢



本文编号：2948816