發(fā)布時間：2025-02-08 17:36

　　數(shù)據驅動決策已成為大數(shù)據時代的重要理念和方法,醫(yī)療健康行業(yè)是其應用的典型領域之一。利用數(shù)據挖掘技術,通過構建相關指標體系和模型,為醫(yī)療決策提供強有力的支持具有重要的現(xiàn)實意義。癌癥一直是人類難以攻克的疾病,癌癥存活性預測是癌癥預后中一項重要而有挑戰(zhàn)性的任務。近年來,一些研究將機器學習方法用于癌癥存活性預測模型構建,對癌癥患者進行5年存活性分類,比傳統(tǒng)的臨床預測法和基于統(tǒng)計學工具的分析預測取得了更高的預測精度。為了進一步提高癌癥存活性分類的準確性,本文用遺傳算法(Genetic Algorithm,GA)對經典集成學習算法隨機森林(Random Forest,RF)進行改進研究,提出了基于GA-RF的集成分類方法。該方法利用隨機森林算法生成初始分類樹集,然后以提高集成準確性為目標用遺傳算法對分類樹集合實施進化搜索,尋找決策樹的最佳組合。實驗使用美國國家癌癥研究所的結直腸癌數(shù)據進行癌癥存活性分類模型構建,并將改進后的方法與決策樹算法、隨機森林算法進行比較,實驗結果顯示,基于GA-RF的集成分類方法不僅表現(xiàn)出了最好的準確性,而且和原隨機森林算法相比具有更低的集成復雜度。對于癌癥晚期患者而言,具體...

【文章頁數(shù)】：57 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 研究內容及創(chuàng)新點
    1.3 研究方法與技術路線
        1.3.1 研究方法
        1.3.2 技術路線
    1.4 論文的組織結構
2 相關研究及其研究現(xiàn)狀
    2.1 癌癥存活性預測研究
        2.1.1 傳統(tǒng)的癌癥存活性預測方法研究
        2.1.2 基于單一機器學習模型的癌癥存活性預測研究
        2.1.3 基于集成學習模型的癌癥存活性預測研究
    2.2 決策樹集成學習方法的相關研究
        2.2.1 集成學習及其發(fā)展研究
        2.2.2 決策樹集成學習模型及其改進研究
    2.3 知識視角的機器學習模型管理研究
        2.3.1 模型管理的相關研究
        2.3.2 知識元理論與模型的知識表示
3 改進隨機森林的癌癥存活性分類方法
    3.1 癌癥存活性分類問題描述
    3.2 改進隨機森林的集成分類方法
        3.2.1 基于隨機森林算法的分類樹池生成
        3.2.2 基于遺傳算法的分類樹進化搜索及集成
4 基于考慮MSE和多樣性的回歸樹集成的癌癥存活期預測方法
    4.1 癌癥存活期預測問題描述
    4.2 考慮MSE和多樣性的回歸樹集成方法
        4.2.1 回歸樹池的生成
        4.2.2 考慮MSE和多樣性的回歸樹模型選擇及集成
5 癌癥存活性預測實驗
    5.1 數(shù)據描述及預處理
    5.2 基于改進隨機森林的集成分類方法的癌癥存活性分類實驗
        5.2.1 實驗設置
        5.2.2 實驗結果及分析
    5.3 基于考慮MSE和多樣性的回歸樹集成的癌癥存活期預測實驗
        5.3.1 實驗設置
        5.3.2 實驗結果及分析
    5.4 癌癥存活性預測模型的知識管理
結論
參考文獻
攻讀碩士學位期間發(fā)表學術論文情況
致謝



本文編號：4031728