X第三部分数据挖掘与统计决策决策树关联遗传概述.ppt

课程名称： 数据挖掘与统计决策 教 师： 廖 芹 Email : maqliao@ 遗传算法的模式定理　 P254 5） 七、数据挖掘方法——遗传算法 问题描述 在城市医疗能力评价中，令X1——病床数，X2——医生数，X3——工作人员数，X4——诊所数，X5——死亡率，Y——医疗能力， 若设Xi?[1000，10000]，i=1，2，3，X4 ?[10，100]， X5 ?[0，0.2]，Y ?[0，1]， X=（X1，X2，X3，X4，X5） 要求：设计遗传算法，求达到医疗能力最好且总成本最小的X（即Xi的最优组合）？ 设计包括： （1）定义医生、病床、工作人员、诊所的成本条件； （2）设计编码、适值函数、选择算子、交叉算子和变异算子； 其中，适应值函数要求设计为一般形式；当输入ai、bi、C、、D时，可以建立不同参数下的适值函数: 软件辅助遗传算法的求解 七、数据挖掘方法——遗传算法 七、数据挖掘方法——遗传算法 为了能够使用Matlab里面的遗传算法工具箱来解决此次问题，需要把Matlab升级到7.10（2012版本）或者以上。 打开Matlab之后，直接的窗口中输入optimtool，然后选择ga，或者直接输入gatool，调用遗传算法工具箱。如下图所示： 界面分3个板块，其中左边和中间的板块是遗传算法参数的设置区域，第三板块是对于各个参数的说明。 在使用遗传算法工具箱之前，需要对之前写好的适应值函数做小小的修改，以使其能应用在遗传算法工具箱里面。 七、数据挖掘方法——遗传算法 利用Matlab的多层感知机的神经网络模型，学习后提取的模型参数如下： 权值3：1.8952 权值2：2.5511 阈值：0.10116 权值1：-0.95112 输出节点y 权值5：2.4553 权值4：2.5387 权值3：3.205 权值2：-0.93835 阈值：0.5038 权值1：2.8084 隐节点3 权值5：0.043026 权值4：-2.7673 权值3：1.6277 权值2：-1.2138 阈值：-0.0020444 权值1：-3.4496 隐节点2 权值5：1.9782 权值4：0.66217 权值3：1.9193 权值2：3.2134 阈值：0.29542 权值1：1.3714 隐节点1 七、数据挖掘方法——遗传算法 适应值函数设计： function y=safeval_tel(x) y=cal1([x(1);x(2);x(3);x(4);x(5)])-cal2([x(2);x(3);x(4)]); 其中x为输入变量，x（i）（i=1，2，3，4，5）为每一维的变量。cal1为医疗能力计算函数，cal2为成本函数，综合适应值为前者-后者，因此医疗能力越大，成本越小，最后的综合适应值就越大。 医疗能力计算函数： function y = cal1(x) w = [1.3714 3.2134 1.9193 0.66217 1.9782 -3.4496 -1.2138 1.6277 -2.7673 0.043026; 2.8084 -0.93835 3.205 2.5387 2.4553]; b = [-0.95112 2.5511 1.8952]; y = w * x + b; for i = 1 : 3 y(i) = 1 / (1 + exp(-y(i))); end B = [0.29542 -0.0020444 0.5038]; T = [0.10116]; y = B * y + T; end 已知成本： 1)医生数（平均1万元/个），工作人 员数（平均0.6万元/个），门诊所数（平均100万/个） 2) 医生数（平均2万元/个），工作人员数（平均1万元/个），门诊所数（平均150万/个） 成本计算函数： （第一种成本） function y = cal2(x) y=(x(1)+0.6*x(2)+100*x(3)+152.4)/304.8; end （第二种成本） function y = cal2(x) y=(2*x(1)+x(2)+150*x(3)+229.5)/459; end 其中成本得分为归一化之后的得分 七、数据挖掘方法——遗传算法 遗传算法—基本概念　 补充 七、数据挖掘方法——遗传算法 补充 P242 七、数据挖