Relief特征選擇與混合核SVM在疾病診斷中的研究.pdf

1、醫(yī)學診斷，是指醫(yī)生給病人檢查疾病,并對病人疾病的病因、發(fā)病機制作出分類鑒別，以此作為制定治療方案的方法和途徑。這本質上是一個分類過程，也稱模式識別?，F(xiàn)有的分類方法有支持向量機（Support Vector Machine，SVM）、K鄰近（K-Nearest Neighbor,KNN）、神經(jīng)網(wǎng)絡（Neural Network,NN）和決策樹算法等。SVM對小樣本、非線性及高維數(shù)據(jù)的模式識別問題具有很好的魯棒性，具有較好的識別能力與適應能

2、力。SVM在構建分類模型的過程中，所表現(xiàn)出的對訓練樣本的學習能力與對測試數(shù)據(jù)的推廣性能主要由三種因素決定：原始數(shù)據(jù)集的處理、所選擇的核函數(shù)以及核函數(shù)的參數(shù)。目前 SVM在分類過程中存在的主要問題有：
　?。?）目前 SVM均采用單一核函數(shù)，其核函數(shù)可以分為全局核函數(shù)與局部核函數(shù)兩種。全局核函數(shù)具有推廣性能強而學習能力弱的特點，而局部核函數(shù)的學習能力強、但是推廣性能弱。所以SVM分類結果往往無法同時滿足較高的學習能力與推廣性能。

3、r>　　（2）在 SVM參數(shù)的選擇方面，主要有兩種方法：傳統(tǒng)的網(wǎng)格搜索法與啟發(fā)式算法。網(wǎng)格搜索法特點是總能找到最優(yōu)解，但是耗時、效率低；啟發(fā)式算法查找速度快，但是解的精度不及網(wǎng)格搜索法高，并且遺傳算法只是概率得到最優(yōu)解。
　　為了提高SVM的分類性能，本文主要在以下幾方面進行研究：
　　（1）選用 Relief算法進行特征選擇。在疾病診斷中，病人所表
　　現(xiàn)出的多種臨床特征與疾病的相關性是不同的，醫(yī)生無法具體量化每個特

4、征與疾病的關聯(lián)度。因此，為了更準確地進行診斷，需要用特征選擇算法計算出每個特征的權重，也就是各個臨床癥狀與所患疾病的關聯(lián)度；
　?。?）提出將全局與局部兩種核函數(shù)進行線性結合，構造學習能力與推廣性能都得到提高的混合核函數(shù)；
　?。?）對核函數(shù)參數(shù)進行組合尋優(yōu)，先使用啟發(fā)式算法中的遺傳算法快速查找到最優(yōu)解的大致范圍，再使用網(wǎng)格搜索法在該小范圍內進行二次精確搜索，不僅可以大大減少網(wǎng)格搜索法的計算時間，找到的解也比遺傳算法更優(yōu)。<