基于AdaBoost和分类树的北京市高血压患者就诊机构选择的影响因素分析
本文选题:AdaBoost 切入点:分类树 出处:《中国卫生统计》2017年01期
【摘要】:目的通过对2013年"北京市第五次国家卫生服务调查"中高血压患者两周就诊数据的分析,探讨高血压患者两周就诊机构的选择及影响因素。方法使用Ada Boost和分类树组合分类器对高血压患者两周首次就诊机构进行分类,获得变量相对重要性排序结果,利用十折交叉验证法计算错分率,错分率的可接受程度为0~0.3,选择错分率最小的模型进行结果解释。结果本次1128例患者中,两周首次就诊选择基层医疗卫生机构的占75.7%。选用的AdaBoost和分类树组合分类器的模型错分率为0.177。经Ada Boost和分类树组合分类器对10个自变量按照相对重要性进行排序,其中排名最高的三个变量依次为受教育程度、家庭人均收入、家人常去医疗机构,并绘制能够分别说明这三个变量的分类树。结论对于北京市两周就诊的高血压病患者来说,首诊选择基层医疗卫生机构的比例较高,受教育程度、家庭人均收入和家人常去医疗机构是影响其是否选择基层医疗卫生机构的最重要因素。
[Abstract]:Objective to analyze the two-week visit data of hypertension patients in the Fifth National Health Service Survey of Beijing in 2013. Methods Ada Boost and classification tree combined classifier were used to classify the first visit organization in two weeks of hypertension patients, and the results of relative importance ranking of variables were obtained. Ten fold cross-validation method was used to calculate the error score rate. The acceptable degree of error score rate was 0 / 0.3. The model with the lowest error score rate was selected to explain the results. Results of the 1128 patients, In two weeks, 75.75.75% of the primary medical and health institutions were selected for the first visit. The model error rate of the selected AdaBoost and classification tree combination classifier was 0.177. Ten independent variables were sorted according to relative importance by Ada Boost and classification tree combination classifier. The top three variables in order are education level, family income per capita, family members often go to medical institutions, and draw the classification tree which can explain these three variables separately. Conclusion for the patients with hypertension in Beijing two weeks, The proportion of primary medical and health institutions is high, the education level, the average family income and the family often go to medical institutions are the most important factors that influence the selection of primary health care institutions.
【作者单位】: 北京大学公共卫生学院;北京市公共卫生信息中心;郑州大学第一附属医院;
【分类号】:R544.1
【相似文献】
相关期刊论文 前5条
1 裴晓梅;郑崇勋;;基于Adaboost技术的大脑运动意识任务分类[J];北京生物医学工程;2008年05期
2 田银;李沛洋;徐鹏;;基于AdaBoost的脑机接口分类算法研究[J];电子科技大学学报;2013年05期
3 柳秋云;;改进的朴素贝叶斯分类器在医疗诊断中的应用[J];科技创新导报;2008年31期
4 綦宏志;许敏鹏;明东;万柏坤;刘志朋;殷涛;;P300 Speller中基于AdaBoost SVM的导联筛选研究[J];仪器仪表学报;2012年05期
5 ;[J];;年期
相关会议论文 前10条
1 Wen Feng;;A Novel Lips Detection Method Combined Adaboost Algorithm and Camshift Algorithm[A];2012年计算机应用与系统建模国际会议论文集[C];2012年
2 张超;苗振江;;基于AdaBoost的面部信息感知[A];第十三届全国信号处理学术年会(CCSP-2007)论文集[C];2007年
3 郭翌;汪源源;;基于Adaboost算法的颈动脉粥样硬化判别方法[A];中国仪器仪表学会第十一届青年学术会议论文集[C];2009年
4 张红梅;高海华;王行愚;;抑制样本噪声的AdaBoost算法及其在入侵检测中的应用[A];2007年中国智能自动化会议论文集[C];2007年
5 陆文聪;钮冰;金雨欢;;基于AdaBoost算法的亚细胞位置预测[A];中国化学会第26届学术年会化学信息学与化学计量学分会场论文集[C];2008年
6 陈宏伟;刘建伟;费向东;;一种半监督环境下的Adaboost算法[A];2008'中国信息技术与应用学术论坛论文集(二)[C];2008年
7 唐晓丹;苗振江;;基于AdaBoost和粒子滤波的目标跟踪[A];第十四届全国图象图形学学术会议论文集[C];2008年
8 张彬;金连文;;基于AdaBoost的手写体汉字相似字符识别[A];第二十六届中国控制会议论文集[C];2007年
9 ;Using Skin Color and HAD-AdaBoost Algorithm for Face Detection in Color Images[A];Information Technology and Computer Science—Proceedings of 2012 National Conference on Information Technology and Computer Science[C];2012年
10 肖磊;李丽;肖佳文;;基于AdaBoost-SVM的上市公司信用风险评估[A];2012管理创新、智能科技与经济发展研讨会论文集[C];2012年
相关博士学位论文 前4条
1 佟旭;基于复杂网络理论的糖尿病肾病辨证建模研究[D];北京中医药大学;2016年
2 刘冲;模拟电路故障诊断AdaBoost集成学习方法研究[D];大连海事大学;2011年
3 张太宁;人眼注视点估计方法的研究[D];南开大学;2013年
4 赵培英;基于智能计算的膜蛋白结构与相互作用预测研究[D];东华大学;2010年
相关硕士学位论文 前10条
1 皮丽琴;基于AdaBoost-GASVM算法和LDA主题模型的短文本分类研究[D];华南理工大学;2015年
2 孙斌;一种基于Adaboost的实时行人检测算法[D];华南理工大学;2015年
3 蔡泽彬;基于视频分析的行人检测及统计方法研究[D];华南理工大学;2015年
4 游晴;Adaboost人脸检测算法研究及其在硬件平台上的实现[D];昆明理工大学;2015年
5 宋雨;基于视觉图片的脑—机接口控制研究[D];天津理工大学;2015年
6 林欣;基于改进肤色模型的AdaBoost人脸检测算法研究[D];陕西科技大学;2015年
7 袁浩杰;Adaboost算法的并行化及其在目标分类中的应用[D];华南理工大学;2015年
8 张恒;基于近红外图像的疲劳驾驶检测研究与系统实现[D];长安大学;2015年
9 朱非易;基于不平衡学习的蛋白质—维生素绑定位点预测研究[D];南京理工大学;2015年
10 张元;一种基于AdaBoost的组合分类算法研究[D];四川师范大学;2015年
,本文编号:1686653
本文链接:https://www.wllwen.com/yixuelunwen/xxg/1686653.html