世界衛(wèi)生組織的數(shù)據(jù)顯示,產(chǎn)后大出血是造成孕產(chǎn)婦死亡最主要的原因。在孕產(chǎn)婦未大出血前,對(duì)孕產(chǎn)婦產(chǎn)后大出血可能原因進(jìn)行預(yù)測(cè)并對(duì)該因素的風(fēng)險(xiǎn)程度進(jìn)行評(píng)估是一項(xiàng)十分重要且迫切的工作,但是由于產(chǎn)后大出血數(shù)據(jù)集的離散性、正負(fù)樣本不均衡等特點(diǎn),將機(jī)器學(xué)習(xí)算法應(yīng)用于產(chǎn)后大出血相關(guān)預(yù)測(cè)的工作仍十分困難。本論文通過(guò)對(duì)傳統(tǒng)的KNN算法進(jìn)行改進(jìn),提出了適用于處理產(chǎn)后大出血數(shù)據(jù)集的基于影響因子的自適應(yīng)KNN算法(Adaptive KNN based on Influence Factors,簡(jiǎn)稱AKNN-IF)。傳統(tǒng)的KNN算法在將離散常規(guī)型特征屬性值轉(zhuǎn)化為數(shù)值型時(shí),并沒(méi)有考慮特征屬性對(duì)標(biāo)簽屬性的影響程度,AKNN-IF算法提出了影響因子,解決了這個(gè)問(wèn)題;傳統(tǒng)的KNN算法需要對(duì)數(shù)據(jù)集進(jìn)行類別均衡處理,AKNN-IF算法則是使用這種類別不均衡的性質(zhì),通過(guò)計(jì)算每個(gè)特征屬性值中正樣本的比例,來(lái)得到每個(gè)特征屬性值對(duì)標(biāo)簽屬性的影響程度,作為每個(gè)特征屬性值的影響因子。由于產(chǎn)后大出血的原因相互獨(dú)立,互不影響,所以本論文使用AKNN-IF算法對(duì)宮縮乏力、軟產(chǎn)道損傷、胎盤因素和凝血功能障礙這四種產(chǎn)后大出血的原因分別建立模型,實(shí)現(xiàn)對(duì)...

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2-1 MVC體系結(jié)構(gòu)

MVC全名是ModelViewController[19],是模型(Model)、視圖(View)、控制器(Controller)的縮寫,是一種軟件設(shè)計(jì)典范,使用一種業(yè)務(wù)邏輯、數(shù)據(jù)、界面顯示分離的方法組織代碼,將業(yè)務(wù)邏輯聚集到一個(gè)部件里面,在改進(jìn)和個(gè)性化定制界面及用戶交互的同....

圖2-2 Perforce架構(gòu)圖

Perforce是一款具有輕便快速的SCM工具,和其他版本控制系統(tǒng)一樣,Perforce也是基于CS架構(gòu),由服務(wù)器端和客戶端組成,還包括若干中介服務(wù)器。Perforce的架構(gòu)如圖2-2所示:用戶能夠通過(guò)多種Perforce客戶端(GUI,WEB,或命令行)訪問(wèn)Perforce服務(wù)....

圖2-3 KNN分類器的示意圖

對(duì)于KNN算法來(lái)說(shuō),k是一個(gè)重要的參數(shù),當(dāng)k取不同值的時(shí)候,分類結(jié)果會(huì)有顯著的不同。K值設(shè)置過(guò)小,會(huì)降低分類的精度;K值設(shè)置過(guò)大,會(huì)增加噪聲,降低分類效果。K值選取的策略為:將數(shù)據(jù)集按照3:1的比例分為訓(xùn)練集和測(cè)試集,按照不同特征相異性度量表對(duì)不同樣本之間的距離進(jìn)行計(jì)算,根據(jù)經(jīng)驗(yàn)....

圖4-1 KNN、SVM、決策樹建立模型的正確率

通過(guò)上述的公式將離散常規(guī)型的數(shù)據(jù)集轉(zhuǎn)化為數(shù)值型的數(shù)據(jù)集,之后使用KNN、SVM和決策樹算法分別建立模型,并對(duì)建立的三種模型分別進(jìn)行性能評(píng)估,包括正確率、F值、AUC值。使用KNN、SVM、決策樹三種不同的算法分別建立模型的正確率如圖4-1所示:通過(guò)圖4-1可以看出來(lái),這三種算法建....

本文編號(hào)：4042849