面向健康評估的機器學習方法研究與應用.pdf

1、分類是機器學習的主要任務之一。生活中的一些決策問題便可以看作分類問題，比如與人們健康緊密相關(guān)的疾病診斷。分類算法將會從訓練樣本中訓練合適的模型從而給出更加智能的結(jié)果，輔助醫(yī)生進行診斷。然而針對某種疾病，直接使用某種分類算法做出決策，可能并不能達到理想的效果，因為各種分類算法在不同數(shù)據(jù)集上的分類效果存在差異，即不存在一種分類算法在任何數(shù)據(jù)集上的表現(xiàn)，均優(yōu)于其他分類算法。鑒于疾病診斷對于準確率有非常高的要求，如何構(gòu)造具有強泛化能力的分類診斷

2、模型，成為機器學習在這一領(lǐng)域的研究重點。
　　本文主要針對某些疾病，研究構(gòu)造具有更高分類準確率的分類診斷模型，從而為疾病診斷提供更加準確的結(jié)果。通過比較K-近鄰(KNN)，Logistic回歸和支持向量機(SVM)等監(jiān)督分類算法在乳腺癌和糖尿病數(shù)據(jù)集上的分類準確率，找出更適合乳腺癌和糖尿病診斷的分類診斷模型。在此基礎上，針對冗余特征對分類準確率的影響，提出一種集成混合特征選擇和線性SVM的乳腺癌診斷模型，進一步提高了乳腺癌診斷的準

3、確率；針對網(wǎng)格搜索對高斯核SVM參數(shù)優(yōu)化效果不佳的問題，提出一種集成改進的加速粒子群優(yōu)化算法和高斯核SVM的糖尿病診斷模型，提高了糖尿病診斷的準確率。本文主要貢獻和研究成果如下：
　　(1)通過比較 K-近鄰(KNN)，Logistic回歸和支持向量機(SVM)等分類算法對于乳腺癌和糖尿病的診斷準確率，發(fā)現(xiàn)線性SVM對于乳腺癌的診斷獲得了最高的準確率，而高斯核SVM對于糖尿病的診斷準確率更高，這些內(nèi)容是進行后續(xù)研究的基礎。