基于SMOTE与优化算法的支持向量机在慢性心衰不良结局预测中的应用

发布时间：2021-10-19 04:06

　　目的:围绕慢性心衰不良结局“类别不平衡”数据的预测问题,构建基于SMOTE与优化算法的支持向量机分类模型,实现对慢性心衰患者不良结局发生与否的预测,提高分类模型预测性能。为专业医师进行慢性心衰患者预后评估提供理论基础,继而开展高风险患者治疗干预计划,降低病死率,改善预后。方法:回顾性收集山西医科大学第一医院和山西省心血管医院2014年1月至2017年12月心内科确诊为心力衰竭的住院患者病历资料。按照纳入与排除标准,最终筛选得到有效病历。基于有效病历,利用卡方检验和秩和检验筛选得到有统计学意义的预测变量。将全部数据集按照2:1:1划分为训练集、验证集和测试集,以最终的预测变量作为输入变量,以慢性心衰患者是否发生不良结局作为输出变量,首先利用SMOTE算法均衡化训练集和验证集的正负类样本,然后在验证集上实现支持向量机模型参数优化,在训练集上构建logistic回归、支持向量机、遗传算法支持向量机和粒子群支持向量机模型,同时基于未均衡化训练集构建logistic回归与支持向量机模型,最后在测试集上进行分类模型预测性能评价,利用灵敏度、特异度、准确度、G-means、F-measure以及AU... 

【文章来源】： 程璠 山西医科大学

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

遗传算法基本流程

以 5 折交叉验证的分类准确度作为遗传算法中个体适应度值越高；定的选择概率，从初始种群中选择个体染色体进入，被选中的可能性越大；定的交叉概率，从选择过程得到的染色体中随机选成新的子代染色体；定的变异概率，从选择过程得到的染色体中随机选异，生成新的子代染色体；2—5），若达到预先设定的最大迭代次数，进化终 ；参数c和 g 设置为支持向量机的模型参数，划分训模型训练，在测试集上进行模型性能评价。

于适应度函数得来，用于评价每个粒子优劣程得到每个粒子的适应度值 Fit( i)；极值和群体极值的适应度值 Fit( i)与各自的个体极值 Pbe子的适应度值替代个体极值，更新个体极值群体极值 Gbest ，若某粒子 Pbest (i)优于用该粒子个体极值替代群体极值，更新群体速度和位置)分别更新每个粒子的速度和位置；到预先设定的最大次数，则停止进化，输出


本文编号：3444119