基于改进梯度提升决策树的尿路感染疾病预测研究.pdf

目 录 第1 章 绪论 1 1.1 研究背景和意义 1 1.2 国内外研究现状 2 1.2.1 干化学法与机器学习的结合 2 1.2.2 尿沉渣法与机器学习的结合 3 1.2.3 其他尿检方法与机器学习的结合 4 1.3 论文的主要内容 5 1.4 论文的创新点 7 1.5 论文的组织结构 7 第2 章 相关分类模型以及模型评估方法 9 2.1 分类模型 9 2.1.1 Cart 决策树模型 9 2.1.2 支持向量机模型 11 2.1.3 随机森林模型 14 2.1.4 朴素贝叶斯模型 15 2.1.5 逻辑斯特回归模型 16 2.2 模型评估方法 17 2.2.1 留出法 18 2.2.2 交叉验证法 18 2.2.3 准确度与错误率 18 2.2.4 混淆矩阵 19 2.5 本章小结 19 第3 章 智能化尿液检测设备与数据预处理 20 3.1 尿检干化学法原理 20 3.2 纸基微流体技术原理 21 3.3 基于尿检干化学法的纸基尿液检测设备 21 3.3.1 尿检设备硬件 21 3.3.2 尿检设备软件 24 3.4 尿液检测数据收集 26 3.5 尿液检测数据预处理 28 3.5.1 数据清洗 28 3.5.2 数据规范化 28 3.6 本章小结 29 第4 章 尿液生物指标物的分类研究 30 4.1 K 近邻模型 30 4.1.1 K 取值 31 4.1.2 距离函数 31 4.1.3 分类决策规则 32 4.2 基于KNN 模型的尿液生物指标的分类研究 32 4.2.1 五种生物指标物KNN 模型的K 值选择 33 4.2.1 五种生物指标物的KNN 模型分类结果 34 4.3 模型分类错误率对比评估 35 4.4 本章小结 39 第5 章 基于尿检结果的尿路感染疾病的预测研究 40 5.1 梯度提升决策树算法原理 40 5.2 代价敏感学习 42 5.3 结合代价敏感学习的梯度提升决策树模型 43 5.4 基于改进梯度提升决策树的尿路感染预测模型 44 5.4.1 数据导入 44 5.4.2 参数介绍 44 5.4.3 参数设置以及调优 45 5.5 模型对比评估分析 46 5.5.1 模型耗时对比 47 5.5.2 置信区间分析 47 5.5.3 混淆矩阵分析 47 5.5.4 ROC 曲线面积比较 48 5.6 本章小结 50 第6 章 总结与展望 51 6.1 本文总结 51 6.2 未来展望 52