基于正規(guī)化回歸模型的醫(yī)療診斷數(shù)據(jù)挖掘應(yīng)用研究.pdf

1、數(shù)據(jù)挖掘方法是一種有效的信息抽取和發(fā)現(xiàn)方法，這種方法是把數(shù)據(jù)從醫(yī)院的數(shù)據(jù)庫系統(tǒng)中提取出來，然后對(duì)提取出的數(shù)據(jù)進(jìn)行分析評(píng)估，找到數(shù)據(jù)中隱藏的價(jià)值，為醫(yī)療診斷提供科學(xué)依據(jù)。
　　對(duì)于數(shù)據(jù)挖掘算法中的隨機(jī)森林算法(Random Forest，RF)具有可以處理非線性、高維度數(shù)據(jù)集的優(yōu)點(diǎn)，因此在很多的領(lǐng)域中得到了廣泛的應(yīng)用。然而，RF算法存在著兩個(gè)問題:第一，對(duì)該算法提出的改進(jìn)方法都沒有得到理論證明從而不能用于實(shí)際應(yīng)用中;第二，對(duì)RF算法

2、效率提升的改進(jìn)仍然有很多不足之處。根據(jù)上述存在問題本文分別做出相應(yīng)分析，提出了一種基于最優(yōu)抽樣倍數(shù)和不放回抽樣的隨機(jī)森林算法(OptimalSampling Times and No Release Random Forest Algorithm，OSNR-RF)，對(duì)提出的優(yōu)化算法的合理性進(jìn)行實(shí)驗(yàn)驗(yàn)證。論文主要內(nèi)容如下:
　　首先，介紹數(shù)據(jù)挖掘的基本理論知識(shí)，說明數(shù)據(jù)預(yù)處理是數(shù)據(jù)挖掘工作中必不可少的一步，并且詳細(xì)介紹數(shù)據(jù)預(yù)處理方法

3、中的特征選擇算法。同時(shí)介紹正規(guī)化回歸模型以及該模型中的嶺回歸(Ridge Regression，RR)模型，正規(guī)化回歸模型具有預(yù)測(cè)準(zhǔn)確率高、模型可解釋性強(qiáng)的特點(diǎn)，同時(shí)RR模型本身具有無偏性、有效性、相合性和漸進(jìn)正態(tài)性等優(yōu)良的參數(shù)估計(jì)性質(zhì)，采用RR模型對(duì)數(shù)據(jù)做變量選擇;其次，對(duì)隨機(jī)森林算法做簡(jiǎn)要介紹，研究訓(xùn)練集樣本量的改變以及抽樣方法的改進(jìn)對(duì)原始算法的影響。
　　經(jīng)過一系列的實(shí)驗(yàn)驗(yàn)證得出:
　　(1)改變隨機(jī)森林的抽樣倍數(shù)，提

4、出并證明了隨著抽樣倍數(shù)的改變隨機(jī)森林算法分類的錯(cuò)誤率也在降低，經(jīng)過反復(fù)的實(shí)驗(yàn)證明了在最優(yōu)的重復(fù)抽樣區(qū)間(取N＜n＜2N)中，算法的分類準(zhǔn)確率得到了提高;
　　(2)采用不放回隨機(jī)抽樣方法替代原始隨機(jī)森林算法的有放回隨機(jī)抽樣方法減少了隨機(jī)森林算法的運(yùn)行時(shí)間，使得時(shí)間效率得到提高。將前面兩個(gè)改進(jìn)思想綜合起來提出了OSNR-RF算法，本文不僅從理論上進(jìn)行證明它的合理性，同時(shí)進(jìn)行了實(shí)驗(yàn)驗(yàn)證，結(jié)果表明該算法具有更高的分類效率。
　　最