多源异构人体数据分析
针对现今只有专业临床医生才能预测患病情况的问题,提出了一种新颖的基于机器学习的预测框架,用于帮助患者进行自检和协助医生进行病情判断.预测框架针对多源异构人体数据的特点,对其进行特征选择、数据缺失处理、样本均衡等操作,并在传统度量标准的基础上增加了敏感度和特异性比较,增强模型鲁棒性.该框架将支持向量机和以上提出的几种操作相结合,并在皮马印第安人糖尿病数据集上验证.实验结果证明该框架具有较高的分类精度,相比于其他方法,在该数据集上有10％-20％的提升.另外通过交叉验证证明了框架具有很强的可靠性和稳定性.
多源异构数据 机器学习 支持向量机 分类精度
乔锐 青春美 徐向民 邢晓芬
华南理工大学电子与信息学院 广东广州510641
国内会议
广州
中文
892-896
2016-09-01（万方平台首次上网日期，不代表论文的发表时间）