Relief特征選擇與混合核SVM在疾病診斷中的研究.pdf

1、醫(yī)學(xué)診斷，是指醫(yī)生給病人檢查疾病,并對(duì)病人疾病的病因、發(fā)病機(jī)制作出分類(lèi)鑒別，以此作為制定治療方案的方法和途徑。這本質(zhì)上是一個(gè)分類(lèi)過(guò)程，也稱模式識(shí)別?，F(xiàn)有的分類(lèi)方法有支持向量機(jī)（Support Vector Machine，SVM）、K鄰近（K-Nearest Neighbor,KNN）、神經(jīng)網(wǎng)絡(luò)（Neural Network,NN）和決策樹(shù)算法等。SVM對(duì)小樣本、非線性及高維數(shù)據(jù)的模式識(shí)別問(wèn)題具有很好的魯棒性，具有較好的識(shí)別能力與適應(yīng)能

2、力。SVM在構(gòu)建分類(lèi)模型的過(guò)程中，所表現(xiàn)出的對(duì)訓(xùn)練樣本的學(xué)習(xí)能力與對(duì)測(cè)試數(shù)據(jù)的推廣性能主要由三種因素決定：原始數(shù)據(jù)集的處理、所選擇的核函數(shù)以及核函數(shù)的參數(shù)。目前 SVM在分類(lèi)過(guò)程中存在的主要問(wèn)題有：
　?。?）目前 SVM均采用單一核函數(shù)，其核函數(shù)可以分為全局核函數(shù)與局部核函數(shù)兩種。全局核函數(shù)具有推廣性能強(qiáng)而學(xué)習(xí)能力弱的特點(diǎn)，而局部核函數(shù)的學(xué)習(xí)能力強(qiáng)、但是推廣性能弱。所以SVM分類(lèi)結(jié)果往往無(wú)法同時(shí)滿足較高的學(xué)習(xí)能力與推廣性能。

3、r>　　（2）在 SVM參數(shù)的選擇方面，主要有兩種方法：傳統(tǒng)的網(wǎng)格搜索法與啟發(fā)式算法。網(wǎng)格搜索法特點(diǎn)是總能找到最優(yōu)解，但是耗時(shí)、效率低；啟發(fā)式算法查找速度快，但是解的精度不及網(wǎng)格搜索法高，并且遺傳算法只是概率得到最優(yōu)解。
　　為了提高SVM的分類(lèi)性能，本文主要在以下幾方面進(jìn)行研究：
　?。?）選用 Relief算法進(jìn)行特征選擇。在疾病診斷中，病人所表
　　現(xiàn)出的多種臨床特征與疾病的相關(guān)性是不同的，醫(yī)生無(wú)法具體量化每個(gè)特

4、征與疾病的關(guān)聯(lián)度。因此，為了更準(zhǔn)確地進(jìn)行診斷，需要用特征選擇算法計(jì)算出每個(gè)特征的權(quán)重，也就是各個(gè)臨床癥狀與所患疾病的關(guān)聯(lián)度；
　?。?）提出將全局與局部?jī)煞N核函數(shù)進(jìn)行線性結(jié)合，構(gòu)造學(xué)習(xí)能力與推廣性能都得到提高的混合核函數(shù)；
　　（3）對(duì)核函數(shù)參數(shù)進(jìn)行組合尋優(yōu)，先使用啟發(fā)式算法中的遺傳算法快速查找到最優(yōu)解的大致范圍，再使用網(wǎng)格搜索法在該小范圍內(nèi)進(jìn)行二次精確搜索，不僅可以大大減少網(wǎng)格搜索法的計(jì)算時(shí)間，找到的解也比遺傳算法更優(yōu)。<