第三次个赛论文肾病检验.docVIP

PAGE 1 化验检查诊断问题 摘要 125 本文研究的是如何通过人体内各种元素含量来判断是否患有肾炎。 对于问题一，通过查阅相关文献，我们找到了常用的判别分析方法有：Bayes判别、Fisher判别、距离判别。而Bayes判别的数据必须满足多元正态分布，而后两者不需满足此条件。 我们先利用spss软件对表B.1中原始数据进行了多元正态检验，得出8种元素的显著性水平均小于0.05，拒绝接受正态分布的原假设，因此不能使用Bayes判别。接着，我们以B.1中的数据为训练样本作为检验集，用Fisher判别和马氏距离判别对样本进行判断，得出：Fisher判判别的回待误判率和交叉误判率分别是6.3%、8.3%；马氏距离判别的回待误判率和交叉误判率分别是11.7%、11.7%。所以Fisher判别比马氏距离判别更适合于此问题的研究。 对于问题二，结合问一，我们知道Fisher判别比马氏距离判别的准确性更高，所以更适合于此问题的研究，所以我们利用Fisher判别求出了30个就诊人员的重心（即F值）进一步计算它们分别距两类重心的距离，对30位就诊人员进行判别，得出30人中有15人未患病和15人患病。 对于问题三，我们利用主成分分析对化验的7个指标进行了相关性的分析，得出：Na和K两者的相关性很强，Ca、Cu和Mg之间的两两相关也非常密切，且相关系数均在0.71以上。由于这些指标间的相关性很强，所以我们可以采用其中的一个指标Ca作为这三个指标的综合指标，K作为Na和K的综合指标。这样，我们得到优化后的指标为Zn、Fe、Ca、K。 对于问题四，我们结合问三以优化后的4个指标Zn、Fe、Ca、K作为检验指标，利用Fisher判别重新对B.2表中的就诊人员进行判别，并将得出的数据于原始指标下的判别数据相比，得出：出现5个误判，其中4人没病被误判成有病，1人有病被误判成没病，总的误判率为=16.7%.优化后的指标虽然大大缩减了化验工作但在一定程度上增加了误判的概率。 最后我们对问题三中的优化指标模型进行了检验，得出优化后的模型在保证一定的正确率的前提下能大大的提高效率。接着，我们对模型进行了优缺点进行了评价和进一步的改进以及模型的推广。 关键词：Fisher判别；马氏判据；多元正太检验；主成分分析；指标优化； 一． 问题的提出与重述 1.1问题的提出 人们到医院就诊时，通常要化验一些指标来协助医生的诊断。诊断就诊人员是否患肾炎时，通常要化验人体内各种元素含量。使用一种恰当的判别方法，判别前来诊断的人员属于患者或健康人的方法则成为至关重要的问题。 1.2问题的重述 人们到医院就诊时，通常要化验一些指标来协助医生的诊断。诊断就诊人员是否患肾炎时，通常要化验人体内各种元素含量。表B.1是确诊病例的化验结果，其中1－30号病例是已经确诊为肾炎病人的化验结果；31－60号病例是已经确定为健康人的结果。表B.2是就诊人员的化验结果。 （1）根据表B.1中的数据，我们要提出一种或多种简便的判别方法，判别属于患者或健康人的方法，并检验我们提出方法的正确性。 按照1中我们给出的方法，选取最合理的一种判别方法对表B.2中的30名就诊人员的化验结果进行判别，判定他（她）们是肾炎病人还是健康人。 （3）根据表B.1的数据特征，确定哪些指标是影响人们患肾炎的关键或主要因素，以便减少化验的指标。 （4）我们根据3的结果，重复2的工作，判断指标减少后对诊人员的分类判断。 二．问题分析 对于问题一，我们找到了常用的判别分析方法有：Bayes判别、Fisher判别、距离判别，而Bayes判别的数据必须满足多元正态分布。所以，我们先利用spss软件对表B.1中原始数据进行了多元正态检验，得出8种元素的显著性水平均小于0.05，拒绝接受正态分布的原假设，因此不能使用Bayes判别。接着，我们以B.1中的数据为训练样本作为检验集，用Fisher判别和马氏距离判别对样本进行判断，得出：Fisher判别的回待误判率和交叉误判率分别是6.3%、8.3%；马氏距离判别的回待误判率和交叉误判率分别是11.7%、11.7%。所以Fisher判别比马氏距离判别更适合于此问题的研究。 对于问题二，通过问一我们已经知道，Fisher判别比马氏距离判别的准确性更高，所以更适合于此问题的研究，所以我们利用Fisher判别求出了30个就诊人员的重心（即F值）进一步计算它们分别距两类重心的距离，对30位就诊人员进行判别，得出30人中有15人未患病而15人患病。 采用Fisher判别对表B.2的数据进行判别，得出结论为：15人未患病和15人患病。 对于问题三，我们利用主成分分析对化验的7个指标进行了相关性的分析，得出：Na和K两者的相关性很强，Ca、Cu和Mg之间的两两相关也非常密切，且相关系