集成学习算法在中医证型分类预测中的应用

计算机工程与科学

集成学习算法在中医证型分类预测中的应用

张守宾，朱习军

（青岛科技大学信息科学技术学院，山东青岛 266061）

收稿日期:2017-08-01 修回日期:2017-11-26 出版日期:2019-02-25 发布日期:2019-02-25
基金资助:
山东省重点研发计划基金（2015GSF119016）

Application of ensemble learning algorithm in

Chinese medicine syndrome classification prediction

ZHANG Shoubin,ZHU Xijun

(School of Information Science and Technology,Qingdao University of Science and Technology,Qingdao 266061,China)

Received:2017-08-01 Revised:2017-11-26 Online:2019-02-25 Published:2019-02-25

摘要/Abstract

摘要：

为提高中医诊断的智能化以及辩证的准确度，提出一种基于多模态扰动策略的集成学习算法(MPEL算法)。首先，在样本域多次抽样产生不同的样本子空间；其次，在属性域采用改进的层次聚类特征选择算法，划分不同的属性子空间，进而训练出具有较大差异性的基分类器；然后，采用贪心策略选取最优的基分类器组合，提高算法整体性能。选择中医哮喘病症状证型病案进行验证，并与其它集成学习算法对比，实验结果表明，改进的集成学习算法在哮喘病症状证型分类预测中训练速度较快、识别准确率更高，最高识别率高达98.16%。

关键词: 集成学习, 多模态扰动, 层次聚类特征选择, 贪心策略, 哮喘病症状症型

Abstract:

In order to improve the intelligence and dialectical accuracy of the diagnosis of Chinese medicine, we propose an ensemble learning algorithm based on multimodal perturbation strategy, called MPEL algorithm. Firstly, different sample subspaces of the sample domain are generated by multiple sampling. Secondly, different attribute subspaces are separated by an improved hierarchical clustering feature selection algorithm in the attribute space, and base classifiers with great diversity are trained. Thirdly, the optimal combination of base classifiers is selected through the greedy strategy so that the overall performance of the algorithm is improved. The medical records of Chinese medicine asthma symptomssyndromes are selected to verify the performance of the proposed algorithm. Experimental results show that the proposed algorithm has faster training speed and higher recognition accuracy in the prediction of asthma symptomssyndromes than other current ensemble learning algorithms, and the highest recognition accuracy of the MPEL can reach up to 98.16%.

Key words: ensemble learning, multimode perturbation, hierarchical clustering feature selection, greedy strategy, asthma symptomssyndrome

张守宾，朱习军. 集成学习算法在中医证型分类预测中的应用[J]. 计算机工程与科学.

ZHANG Shoubin,ZHU Xijun.

Application of ensemble learning algorithm in

Chinese medicine syndrome classification prediction

[J]. Computer Engineering & Science.

[1]	董燕灵, 张淑芬, 徐精诚, 王豪石, . 面向Stacking算法的差分隐私保护研究[J]. 计算机工程与科学, 2024, 46(02): 244-252.
[2]	庞诺言, 关东海, 袁伟伟. 基于早期时间序列分类的可解释实时机动识别算法[J]. 计算机工程与科学, 2024, 46(02): 353-362.
[3]	陈俊彦, 卢贤涛, 黄雪锋, 卢小烨, 廖岑卉珊. 基于Double-Bagging特征降维异质集成入侵检测[J]. 计算机工程与科学, 2023, 45(06): 1011-1019.
[4]	苏赋, 罗海波. 改进Stacking集成学习的指纹识别算法[J]. 计算机工程与科学, 2022, 44(12): 2153-2161.
[5]	陈丽芳, 代琪, 赵佳亮. 不平衡数据多粒度集成分类算法研究[J]. 计算机工程与科学, 2021, 43(05): 917-925.
[6]	李海丰, 吴治龙, 聂晶晶. 强干扰条件下机场道面细小裂缝自动识别算法[J]. 计算机工程与科学, 2020, 42(11): 2020-2029.
[7]	李勇, 陈思萱, 贾海 , 王霞. 基于C-AdaBoost模型的乳腺癌预测研究[J]. 计算机工程与科学, 2020, 42(08): 1414-1422.
[8]	赵俊生，候圣，王鑫宇，尹玉洁. 基于集成学习的图像垃圾邮件过滤方法[J]. 计算机工程与科学, 2020, 42(06): 1049-1059.
[9]	贺小娟1，潘文捷1，程宏2. 基于集成学习方法的点击率预估模型研究[J]. 计算机工程与科学, 2019, 41(12): 2278-2284.
[10]	叶成，郑红，程云辉. 基于多模型融合的流失用户预测方法[J]. 计算机工程与科学, 2019, 41(11): 2027-2032.
[11]	周钢,郭福亮. 基于信息熵的集成学习过程多样性度量研究[J]. 计算机工程与科学, 2019, 41(09): 1700-1707.
[12]	张晨1，唐湘滟1,2，程杰仁1,2,3，董哲1，李俊麒1. 基于多核学习的自适应DDoS攻击检测方法[J]. 计算机工程与科学, 2019, 41(08): 1381-1389.
[13]	袁泉1,2,郭江帆1,赵学华1. 一种基于集成的不均衡数据流分类算法[J]. 计算机工程与科学, 2019, 41(08): 1519-1524.
[14]	张忠林，吴挡平. 基于概率阈值Bagging算法的不平衡数据分类方法[J]. 计算机工程与科学, 2019, 41(06): 1086-1094.
[15]	耿磊1,2，彭晓帅1,2，肖志涛1,2，李秀艳1,2，甘鹏1,2. 基于集成学习与位置信息约束的前方车辆检测[J]. 计算机工程与科学, 2018, 40(10): 1844-1850.