基于决策树集成学习的癌症存活性预测分析

发布时间：2025-02-08 17:36

　　数据驱动决策已成为大数据时代的重要理念和方法,医疗健康行业是其应用的典型领域之一。利用数据挖掘技术,通过构建相关指标体系和模型,为医疗决策提供强有力的支持具有重要的现实意义。癌症一直是人类难以攻克的疾病,癌症存活性预测是癌症预后中一项重要而有挑战性的任务。近年来,一些研究将机器学习方法用于癌症存活性预测模型构建,对癌症患者进行5年存活性分类,比传统的临床预测法和基于统计学工具的分析预测取得了更高的预测精度。为了进一步提高癌症存活性分类的准确性,本文用遗传算法(Genetic Algorithm,GA)对经典集成学习算法随机森林(Random Forest,RF)进行改进研究,提出了基于GA-RF的集成分类方法。该方法利用随机森林算法生成初始分类树集,然后以提高集成准确性为目标用遗传算法对分类树集合实施进化搜索,寻找决策树的最佳组合。实验使用美国国家癌症研究所的结直肠癌数据进行癌症存活性分类模型构建,并将改进后的方法与决策树算法、随机森林算法进行比较,实验结果显示,基于GA-RF的集成分类方法不仅表现出了最好的准确性,而且和原随机森林算法相比具有更低的集成复杂度。对于癌症晚期患者而言,具体...

【文章页数】：57 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景及意义
    1.2 研究内容及创新点
    1.3 研究方法与技术路线
        1.3.1 研究方法
        1.3.2 技术路线
    1.4 论文的组织结构
2 相关研究及其研究现状
    2.1 癌症存活性预测研究
        2.1.1 传统的癌症存活性预测方法研究
        2.1.2 基于单一机器学习模型的癌症存活性预测研究
        2.1.3 基于集成学习模型的癌症存活性预测研究
    2.2 决策树集成学习方法的相关研究
        2.2.1 集成学习及其发展研究
        2.2.2 决策树集成学习模型及其改进研究
    2.3 知识视角的机器学习模型管理研究
        2.3.1 模型管理的相关研究
        2.3.2 知识元理论与模型的知识表示
3 改进随机森林的癌症存活性分类方法
    3.1 癌症存活性分类问题描述
    3.2 改进随机森林的集成分类方法
        3.2.1 基于随机森林算法的分类树池生成
        3.2.2 基于遗传算法的分类树进化搜索及集成
4 基于考虑MSE和多样性的回归树集成的癌症存活期预测方法
    4.1 癌症存活期预测问题描述
    4.2 考虑MSE和多样性的回归树集成方法
        4.2.1 回归树池的生成
        4.2.2 考虑MSE和多样性的回归树模型选择及集成
5 癌症存活性预测实验
    5.1 数据描述及预处理
    5.2 基于改进随机森林的集成分类方法的癌症存活性分类实验
        5.2.1 实验设置
        5.2.2 实验结果及分析
    5.3 基于考虑MSE和多样性的回归树集成的癌症存活期预测实验
        5.3.1 实验设置
        5.3.2 实验结果及分析
    5.4 癌症存活性预测模型的知识管理
结论
参考文献
攻读硕士学位期间发表学术论文情况
致谢



本文编号：4031728