首页 > 文献资料
-
随机梯度boosting算法在代谢组学研究中的应用
目的 探讨随机梯度boosting算法(SGB)对代谢组学数据分类判别和代谢物筛选的效果.方法 每一次迭代均根据损失函数小化原则得出“伪残差”,并用小二乘法对其构建基础分类器(决策树),终组合各分类器形成随机梯度boosting模型.通过模拟实验和真实代谢组学数据的分析,与Adaboost、RF、SVM三种算法进行比较.结果 无论是在模拟条件下还是真实数据中,随机梯度boosting算法的分类准确性都优于其他三种算法.算法可评价各代谢物重要性,有效地筛选出部分代谢物.结论 随机梯度boosting算法适用于代谢组学数据研究,对疾病早期诊断、治疗和预后具有重要价值,值得进一步研究和探索.
关键词： 随机梯度boosting 代谢组学 分类判别 特征筛选 -
在招聘护士过程中开展个性特征筛选法的研究
我院于2003-2005年度招聘护士过程中开展了个性特征筛选,取得了较好的效果,现报道如下.
-
Adaboost算法研究土壤微量元素含量与白血病的关系
目的:本文使用数据挖掘方法研究土壤中微量元素和白血病的相关性.方法:使用CFS-Adaboost算法研究我国29个省、市、自治区白血病死亡率的统计数据和土壤中微量元素含量的对应关系.结果:从29种微量元素中发现了13种微量元素与白血病相关,其中砷(As)的相关性较为明显.基于该13种微量元素,建立了土壤中微量元素和白血病致死率的数学模型,该模型的预报准确率可达到89.7％.结论:土壤中微量元素的含量与白血病有一定关系,其中砷(As)元素含量与白血病死亡率较为密切,这与近年文献报导的少量氧化砷治疗白血病效果显著相符合.以上研究发现,可以为研究土壤中微量元素和白血病的关系提供参考,对白血病的防治工作具有一定意义.
关键词： 白血病 特征筛选 微量元素 Adaboost算法 -
基于关联规则算法的慢性乙型肝炎证型诊断量表多中心研究
目的 探讨慢性乙型肝炎(CHB)证型诊断量表模型的建立及应用.方法 收集721例慢性乙型肝炎患者的中医四诊信息,构建慢性乙型肝炎病案数据库,采用关联规则算法确定中医证候元素对证型判定的贡献度(权重),形成诊断量表;进而采用对照数据集对量表进行合理性评估.结果 ①慢性乙型肝炎的常见证型以肝胆湿热证(50.90％)多,其次为肝郁脾虚证(26.07％)和肝肾阴虚证(15.12％),其他证型较少(7.91％).②枯舌、腻苔及长脉3个证候元素对肝胆湿热证的诊断具有重要意义(贡献度大于0.9).肌肤甲错和短脉2个证候元素对肝肾阴虚证的诊断具有重要意义(贡献度为1).蜘蛛痣、白苔、滑脉和濡脉4个证候元素对肝郁脾虚证的诊断具有重要意义(贡献度大于0.9).③抽样组与对照组比较,量表诊断符合率差异无统计学意义(P＞0.05),实习医师诊断符合率差异无统计学意义(P＞0.05).量表诊断与实习医师诊断比较,抽样组、对照组及平均值符合率差异均有统计学意义(P＜0.05).结论 慢性乙型肝炎中医证型诊断量表的准确率较高,说明其模型设计合理,效果满意;该量表的使用可能会提高实习医师的CHB中医证型诊断水平.
-
基于决策树方法的慢性乙型肝炎中医证候分类
目的:探索与慢性乙型肝炎典型证候相关的中医症状、体征及西医理化指标的组合.方法:以555例肝胆湿热证与肝郁脾虚证的慢性乙型肝炎患者的证候学调查信息和理化指标为研究对象,采用特征属性筛选与C 5.0决策树算法等数据挖掘技术,构建慢性乙型肝炎肝胆湿热证与肝郁脾虚证的信息分类模型.结果:通过建立肝胆湿热证与肝郁脾虚证的信息分类模型,筛选出了与肝胆湿热和肝郁脾虚分类相关的7项重要属性及8条分类规则,并获得了96.94％的分类准确率.结论:与其他分类方法相比,基于C 5.0决策树算法与特征属性筛选的慢性乙型肝炎中医证候分类方法较为理想,可行性较好.
-
Boosting方法在高维数据分析中的应用
目的 随着现代基因组学、蛋白组学和代谢组学等研究兴起,产生了大量的高维组学数据.对高维组学数据的分析,其重要任务是对样品进行分类及筛选出具有生物学意义的特征标志物.本项研究针对这一问题,采用目前公认效果较好的Boosting方法进行高维数据分析,并探讨Boosting算法在高维数据研究中的应用条件和效果.方法 通过多次迭代,Boosting能够将基础弱分类器(决策树)形成优效分类器.模拟试验研究和验证了在含有大量无差异变量情况下对分类及变量重要性度量的效果,并通过实际基因表达数据进一步考核其应用效果.结果 模拟试验显示,应用Boosting方法与决策树所建的组合模型对分类具有较高的准确性,并对噪声变量的干扰具有一定的抵抗能力.分类的同时能够对变量的重要性进行有效的评价;在保留了所有基因的情况下,对结肠癌真实基因表达数据的分类效果甚为理想,并为医学研究中结肠癌致病基因的发现提供了线索.结论 基于决策树所构造的Boosting组合分类模型,可以有效地应用于高维数据的判别分类及变量重要性评价的问题.Boosting算法在解决小样本、多噪声的高维问题中表现出许多潜在的优势,与目前使用的其他方法相比,对于具有复杂结构高维数据,Boosting算法有其明显的自身特点,如运算速度快,适用性更强,软件实现相对容易等,是一种值得推荐和进一步研究的方法.
