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，然后對提取出的數(shù)據(jù)進行分析評估，找到數(shù)據(jù)中隱藏的價值，為醫(yī)療診斷提供科學(xué)依據(jù)。
　　對于數(shù)據(jù)挖掘算法中的隨機森林算法(Random Forest，RF)具有可以處理非線性、高維度數(shù)據(jù)集的優(yōu)點，因此在很多的領(lǐng)域中得到了廣泛的應(yīng)用。然而，RF算法存在著兩個問題:第一，對該算法提出的改進方法都沒有得到理論證明從而不能用于實際應(yīng)用中;第二，對RF算法

2、效率提升的改進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森林算法(OptimalSampling Times and No Release Random Forest Algorithm，OSNR-RF)，對提出的優(yōu)化算法的合理性進行實驗驗證。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，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)測準(zhǔn)確率高、模型可解釋性強的特點，同時RR模型本身具有無偏性、有效性、相合性和漸進正態(tài)性等優(yōu)良的參數(shù)估計性質(zhì)，采用RR模型對數(shù)據(jù)做變量選擇;其次，對隨機森林算法做簡要介紹，研究訓(xùn)練集樣本量的改變以及抽樣方法的改進對原始算法的影響。
　　經(jīng)過一系列的實驗驗證得出:
　　(1)改變隨機森林的抽樣倍數(shù)，提

4、出并證明了隨著抽樣倍數(shù)的改變隨機森林算法分類的錯誤率也在降低，經(jīng)過反復(fù)的實驗證明了在最優(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)采用不放回隨機抽樣方法替代原始隨機森林算法的有放回隨機抽樣方法減少了隨機森林算法的運行時間，使得時間效率得到提高。將前面兩個改進思想綜合起來提出了OSNR-RF算法，本文不僅從理論上進行證明它的合理性，同時進行了實驗驗證，結(jié)果表明該算法具有更高的分類效率。
　　最