基于云計(jì)算的貝葉斯算法在疾病預(yù)測(cè)中的研究與應(yīng)用.pdf

1、疾病診斷是醫(yī)學(xué)領(lǐng)域的重要課題。各種醫(yī)療機(jī)構(gòu)積累了越來(lái)越多的就診樣本數(shù)據(jù)，人工對(duì)樣本進(jìn)行疾病分類(lèi)預(yù)測(cè)的結(jié)果限于經(jīng)驗(yàn)、決策能力等主觀因素的影響難以避免地出現(xiàn)誤差，其分類(lèi)精度和效率有很大提升空間。中醫(yī)疾病預(yù)測(cè)理論強(qiáng)調(diào)健康與內(nèi)外環(huán)境密切關(guān)聯(lián)，基于概率統(tǒng)計(jì)學(xué)的貝葉斯分類(lèi)器的類(lèi)屬性聯(lián)合概率很難被準(zhǔn)確估計(jì)，基于單機(jī)內(nèi)存的分類(lèi)算法也無(wú)法在期望時(shí)間內(nèi)處理大規(guī)模樣本集。理想的分類(lèi)模型能充分表達(dá)樣本特征和疾病類(lèi)別間的關(guān)聯(lián)，提高分類(lèi)效果和可擴(kuò)展性。針對(duì)以上不足

2、，本文主要做了以下幾點(diǎn)改進(jìn)。
　　首先，從局部學(xué)習(xí)的角度提出了一種基于余弦相似度進(jìn)行實(shí)例加權(quán)改進(jìn)的樸素貝葉斯分類(lèi)算法(IWIMNB)。算法在訓(xùn)練樣本集的局部構(gòu)建高質(zhì)量分類(lèi)器，利用局部的訓(xùn)練樣本弱化屬性條件獨(dú)立性假設(shè)，使用余弦相似度度量驗(yàn)證與訓(xùn)練樣本的距離，并作為權(quán)值對(duì)修正的樸素貝葉斯模型進(jìn)行參數(shù)訓(xùn)練，對(duì)比實(shí)驗(yàn)的結(jié)果表明IWIMNB算法可操作性強(qiáng)并具有更好的分類(lèi)效果。
　　其次，從結(jié)構(gòu)擴(kuò)展的角度考慮將關(guān)聯(lián)規(guī)則應(yīng)用到加權(quán)平均的1

3、-依賴(lài)貝葉斯模型(AR-WAODE)，從而考慮非公共父結(jié)點(diǎn)屬性間依賴(lài)關(guān)系與不同AODE對(duì)分類(lèi)的貢獻(xiàn)。為了提高生成關(guān)聯(lián)規(guī)則的效率，提出了一種基于矩陣剪枝的分布式頻繁項(xiàng)集挖掘算法(DFIMA)，目的是減少Apriori算法產(chǎn)生的無(wú)用候選項(xiàng)集及文件系統(tǒng)I/O負(fù)載，利用2-候選項(xiàng)集矩陣對(duì)生成（k+1）-頻繁項(xiàng)集的計(jì)算過(guò)程進(jìn)行剪枝，之后基于內(nèi)存迭代計(jì)算框架Spark實(shí)現(xiàn)改進(jìn)算法，對(duì)比實(shí)驗(yàn)的結(jié)果表明DFIMA能減少迭代過(guò)程中產(chǎn)生的無(wú)用候選項(xiàng)集，在加

4、速比和可擴(kuò)展性上表現(xiàn)良好。
　　然后，基于Hadoop框架實(shí)現(xiàn)AR-WAODE分類(lèi)算法(Hadoop-AR-WAODE)，從而提高模型參數(shù)的訓(xùn)練速度。算法主要分為預(yù)處理作業(yè)、分類(lèi)器的訓(xùn)練作業(yè)和預(yù)測(cè)作業(yè)。對(duì)比實(shí)驗(yàn)的結(jié)果表明，Hadoop-AR-WAODE通過(guò)考慮非公共父結(jié)點(diǎn)屬性間依賴(lài)關(guān)系以及不同AODE對(duì)分類(lèi)結(jié)果的貢獻(xiàn)不同提高了分類(lèi)模型的預(yù)測(cè)效果，在處理大規(guī)模樣本集時(shí)分類(lèi)效率得到有效改進(jìn)。
　　最后，將Hadoop-AR-WA