基于RF-LR改进算法的疾病预测方法技术

本发明专利技术涉及一种基于RF‑LR改进算法的疾病预测方法，包括以下步骤：S1：获取糖尿病数据集，对数据集进行预处理，包括数据集成、清洗、规约；S2：使用随机森林算法对处理过后的糖尿病数据集进行特征选择；S3：在逻辑回归算法中引入代价敏感因子，以代价最小化为判别标准。本发明专利技术基于统计推理原理，可以在未观察到完整目标数据的情况，仅训练被破环的目标数据来进行图像修复，并且在通常情况下，可取得使用完整数据接近的图像修复性能。

Disease prediction method based on improved rf-lr algorithm

【技术实现步骤摘要】
基于RF-LR改进算法的疾病预测方法
本专利技术属于机器学习预测分析与医疗健康
，涉及一种基于RF-LR改进算法的疾病预测方法。
技术介绍
随着医疗卫生领域信息化的不断发展，医疗行业每年都产生了大量的医疗诊断数据，包括居民健康信息档案、电子病历等个人医疗就诊信息。这些大量医疗诊断数据对疾病预测和控制有着非常宝贵的价值。如何从医疗大数据中挖掘出有价值信息，成为当今解决疾病辅助诊断的一种新方案，也为许多医学难题提供了新路径。针对逻辑回归算法作为线性模型，在训练时需要进行大量的特征工程，耗费大量的人力物力，随机森林算法在训练时可以估计每个属性特征的重要性，基于此算法的特征选择可以自动有效地进行特征变量的筛选，弥补了逻辑回归算法的不足，同时传统的疾病预测算法没有考虑到误诊代价的问题。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于RF-LR改进算法的疾病预测方法，将随机森林与逻辑回归算法结合起来，用以构建疾病辅助诊断算法，以提高疾病辅助诊断的精确率。针对疾病误诊的代价问题，在RF-LR中引入代价敏感因子，在保证精确率本文档来自技高网...

【技术保护点】
1.一种基于RF-LR改进算法的疾病预测方法，其特征在于：包括以下步骤：/nS1：获取糖尿病数据集，对数据集进行预处理，包括数据集成、清洗、规约；/nS2：使用随机森林算法对处理过后的糖尿病数据集进行特征选择；/nS3：在逻辑回归算法中引入代价敏感因子，以代价最小化为判别标准。/n

【技术特征摘要】
1.一种基于RF-LR改进算法的疾病预测方法，其特征在于：包括以下步骤：
S1：获取糖尿病数据集，对数据集进行预处理，包括数据集成、清洗、规约；
S2：使用随机森林算法对处理过后的糖尿病数据集进行特征选择；
S3：在逻辑回归算法中引入代价敏感因子，以代价最小化为判别标准。


2.根据权利要求1所述的基于RF-LR改进算法的疾病预测方法，其特征在于：步骤S1包括以下步骤：
S11：处理数据集中的缺失数据与异常数据，处理缺失数据是将数据集中缺少的值使用平均值进行代替；处理异常数据是根据数据集中每个变量的合理取值范围和相互关系，检查数据是否合乎要求，剔除超出正常范围、逻辑上不合理或者互相矛盾的数据；
S12：将数据集中的文本数据数值化，数据集中的部分属性列的值为文本数据，包括将性别属性值为“男”、“女”，转化为数值型数据，“男”赋值为“1”，“女”赋值为“2”。


3.根据权利要求1所述的基于RF-LR改进算法的疾病预测方法，其特征在于：步骤S2包括以下步骤：
S21：假设T＝{(x1,y1),(x2,y2),..,(xN,yN)}为训练样本数据集，X＝(x(1),x(2),..,x(n))∈Rn为样本输入空间，y＝{c1,c2,…,cL}为类别输出空间，其中表示为T中第i个样...

【专利技术属性】
技术研发人员：付蔚，赵红莹，童世华，崔逊航，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;50