研究基于多分類器集成的疾病診斷模型,對提高疾病診斷的準(zhǔn)確性、及時性,減輕醫(yī)務(wù)人員的負擔(dān),具有十分重要的意義。對于醫(yī)療檢測出的數(shù)值結(jié)果,機器學(xué)習(xí)方法可以進行主動學(xué)習(xí),因此被廣泛應(yīng)用于各種醫(yī)療診斷系統(tǒng)。疾病診斷是一個復(fù)雜的決策過程,可用機器學(xué)習(xí)中分類方法來解決。然而對未知數(shù)據(jù),若使用單一分類方法進行預(yù)測很難達到較高的泛化能力。因此在實際的應(yīng)用中,需綜合考慮多分類器組合和優(yōu)化。多分類器集成能顯著提高一個學(xué)習(xí)系統(tǒng)的泛化能力,因而在機器學(xué)習(xí)界得到了廣泛的關(guān)注。論文在研究疾病診斷方法以及多分類器集成的基礎(chǔ)上,主要研究了以支持向量機(SVM)作為基分類器的多分類器集成診斷模型及優(yōu)化。主要的研究內(nèi)容和工作成果如下:1、對傳統(tǒng)的基于機器學(xué)習(xí)的疾病診斷系統(tǒng)進行了研究,考慮到疾病數(shù)據(jù)具有分布不平衡、冗余和高維特性等現(xiàn)象,研究了數(shù)據(jù)預(yù)處理,降維及不平衡數(shù)據(jù)處理方法。以典型SVM與KNN方法為基礎(chǔ),建立了單分類器疾病診斷模型,在糖尿病與乳腺癌數(shù)據(jù)集上進行了實驗,結(jié)果表明,SVM診斷方法表現(xiàn)了更好的預(yù)測性能。2、對多分類器集成方法進行了深入分析,重點研究了Adaboost與Bagging算法,分別利用Adaboo... 

【文章來源】：華東交通大學(xué)江西省

【文章頁數(shù)】：52 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 疾病診斷研究現(xiàn)狀
        1.2.2 多分類器集成研究現(xiàn)狀
    1.3 論文的主要工作及組織結(jié)構(gòu)
        1.3.1 論文的主要工作
        1.3.2 論文的組織結(jié)構(gòu)
第二章 基于機器學(xué)習(xí)的疾病診斷
    2.1 疾病診斷過程
    2.2 數(shù)據(jù)的預(yù)處理
        2.2.1 數(shù)據(jù)歸一化處理
        2.2.2 數(shù)據(jù)降維技術(shù)
        2.2.3 數(shù)據(jù)不平衡處理方法
    2.3 評價指標(biāo)
    2.4 分類算法
        2.4.1 SVM分類算法
        2.4.2 KNN分類算法
    2.5 實驗描述及結(jié)果分析
        2.5.1 實驗描述
        2.5.2 結(jié)果分析
    2.6 本章小結(jié)
第三章 多分類器集成診斷模型
    3.1 多分類器集成概述
        3.1.1 單分類器
        3.1.2 組合策略
    3.2 典型集成算法
        3.2.1 Adaboost集成算法
        3.2.2 Bagging集成算法
    3.3 集成診斷模型
SVM多分類器集成診斷模型">        3.3.1 Adaboost_SVM多分類器集成診斷模型
SVM多分類器集成診斷模型">        3.3.2 Bagging_SVM多分類器集成診斷模型
    3.4 實驗描述及結(jié)果分析
        3.4.1 實驗描述
        3.4.2 結(jié)果分析
    3.5 本章小結(jié)
第四章 基于多樣性與準(zhǔn)確率的多分類器選擇性集成診斷模型
    4.1 選擇性集成理論
    4.2 多分類器選擇性集成框架
        4.2.1 多樣性的定義與度量方法
        4.2.2 基分類器選取準(zhǔn)則
        4.2.3 基分類器選取算法
        4.2.4 選擇性集成框架
    4.3 基于WDA與GA的選擇性集成診斷模型
    4.4 實驗描述與結(jié)果分析
        4.4.1 實驗描述
        4.4.2 結(jié)果分析
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 主要工作回顧
    5.2 本課題今后需進一步研究的地方
參考文獻
個人簡歷
致謝



本文編號：2948816