2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩55頁未讀 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)

文檔簡介

1、慢性阻塞性肺?。–hronic Obstructive Pulmonary Disease,COPD)是一種常見的慢性呼吸系統(tǒng)疾病,這種疾病有較高的發(fā)病率和死亡率,給患者的生活造成嚴重的影響,并造成一定的經(jīng)濟負擔和社會負擔。一些相關(guān)研究表明 COPD與空氣中的有害顆粒(比如PM2.5)和有害氣體(比如SO2、NO2、CO等)有一定的關(guān)聯(lián)。為了預測醫(yī)院每周新增的 COPD患者住院人數(shù),本論文以數(shù)據(jù)挖掘和機器學習作為研究方法,基于數(shù)據(jù)分析考

2、察了每周PM2.5、SO2、NO2、CO的平均濃度對每周新增COPD患者住院人數(shù)的影響。然后選擇合適的空氣污染物因素作為預測變量,以平均絕對百分比誤差(Mean Absolute Percentage Error,MAPE)作為衡量模型的預測精度,通過探索和對比的方式逐步構(gòu)建了一個預測精度較高的基于 K-means的局部加權(quán)線性回歸組合模型,用于預測慢性阻塞性肺病的每周新增住院人數(shù)。本論文的主要研究工作和成果如下:
 ?、傺芯亢头?/p>

3、析了若干回歸分析方法,并實現(xiàn)各算法來預測每周新增COPD患者住院人數(shù)。回歸分析是一種監(jiān)督學習,用于刻畫預測變量和目標變量之間的關(guān)系,相當于變量之間的函數(shù)映射?;貧w分析主要有兩個階段,第一個階段是模型的訓練,也等價于函數(shù)擬合,即擬合已知數(shù)據(jù);第二階段是預測,基于訓練所得到的模型,對新數(shù)據(jù)進行預測。本論文對比了若干回歸分析方法在測試集上的預測精度,其中分類回歸樹算法在本論文的測試集中的預測精度最高(13.36%)。
  ②提出了局部加

4、權(quán)線性回歸(Local Weighted Linear Regression,LWLR)組合模型。局部加權(quán)線性回歸是一種基于實例的非參數(shù)學習算法,在預測方面有良好的效果。在很多機器學習方法中,組合模型的預測能力往往強于單一模型,本論文研究了兩種組合方式:一種是組合具有不同核函數(shù)的局部加權(quán)線性回歸模型,在該模型中對各單一模型的預測值進行動態(tài)加權(quán);另外一種是對不同核函數(shù)進行動態(tài)加權(quán)構(gòu)成新的核函數(shù)。這兩種組合模型相比于單一模型都提高了預測精度

5、,單一的局部加權(quán)線性回歸能取得的最低預測誤差是13.49%,而第一種組合模型獲得的最低預測誤差是13.34%,第二種組合模型獲得的最低預測誤差是13.38%。
  ③提出了基于訓練集二叉樹的局部加權(quán)線性回歸組合模型。由于局部加權(quán)線性回歸模型在每次預測時都必須先遍歷訓練集的所有樣本,然后在進行回歸預測時只有少部分樣本起作用。隨著訓練樣本數(shù)量的增多,其計算量也會增加。為了減小計算量,本論文基于分類回歸樹的思想,構(gòu)建了訓練集二叉樹。當本

6、論文的局部加權(quán)線性回歸組合模型與訓練集二叉樹聯(lián)合時,由于訓練集被劃分成多個子集,而局部加權(quán)線性回歸算法與訓練集的容量大小成正比,因此該組合模型可以大幅度減小計算量,同時也降低了模型的預測誤差(13.13%)。
 ?、芴岢隽嘶贙-means聚類算法的局部加權(quán)線性回歸組合模型?;谟柧毤鏄涞木植考訖?quán)線性回歸組合模型存在丟失預測點所需樣本的問題,為了解決該問題,本論文以 K-means算法將訓練集劃分成若干子集,并由預測點根據(jù)實際

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論