基于随机森林与合成分析法建立脂肪肝合成预测模型

研究脂肪肝预测模型,旨为脂肪肝易发人群健康管理及风险评估提供参考。选取2006—2016年在西部战区总医院健康体检中心定期健康体检人群作为研究对象(体检中心为该人群建有专门软件用于管理体检数据资料),将随机森林算法筛选脂肪肝危险因素的效果与Logistic回归模型、人工神经网络、单棵决策树分类模型相比较。4种方法筛选脂肪肝影响因素准确率分别为88.0%、83.3%、83.9%、86.0%,随机森林筛选脂肪肝危险因素的准确率高于Logistic回归模型、人工神经网络和单棵决策树分类模型。基于随机森林算法与合成分析法建立脂肪肝合成预测模型,并评价其预测效能。研究结果表明,Logistic回归预测模型、Cox比例风险模型和脂肪肝合成预测模型的ROC曲线下面积分别为0.732、0.681、0.710,约登指数分别为0.340、0.269、0.330,灵敏度分别为0.589、0.503、0.639。脂肪肝合成预测模型ROC曲线下面积和约登指数介于Cox比例风险模型与Logistic回归模型之间,灵敏度最高。脂肪肝合成预测模型具有优于传统纵向数据分析模型的预测能力,且不需要大量纵向数据,是一种简单...     

决策树在安全审计中的应用研究

针对当前安全审计分析过程中出现的准确率低、检测速度过慢、自适应性差等问题,对数据挖掘中的决策树分类方法在安全审计分析中的运用进行了研究。对数据离散化及属性选择度量方法作了改进,以降低计算复杂度,提高算法学习速度。通过训练数据的分析阐述了分类规则挖掘的方法,初步的实验结果验证了该方法的有效性。     

数据挖掘在医院信息系统中的研究与应用

随着医院信息系统不断向自动化、网络化方向的发展,数据挖掘已越来越多的被应用于医疗研究与医院管理。结合胜利油田胜利医院现有的HIS系统,对应用数据挖掘技术实现辅助医疗诊断进行了分析研究。     

银西高铁建设对沿线荒漠化的影响

文章以银西高铁宁夏段为工程背景,利用RS和GIS技术反演时间序列的沙漠化监测指标,结合决策树分类法提取沙漠化土地信息,分析了银西高铁扰动廊道内土地荒漠化的动态变化。研究结果表明：2014—2018年主体工程建设期高铁扰动廊道内土地荒漠化程度呈轻微递增趋势,2019—2020年工程收尾阶段高铁扰动廊道内土地荒漠程度呈递减趋势;银西高铁建设对荒漠化的影响随着远离高铁逐渐减弱,显著影响区主要集中在高铁两侧0.05 km范围以内。总体上看,银西高铁建设对扰动廊道内土地荒漠化存在一定的影响,但影响程度非常微弱,可在施工过程中采取相应的措施减轻该区域的荒漠化进程。     

模糊决策树算法及其在注塑模浇口设计中的知识获取

通过对决策树算法的研究,特别是分析了ＩＤ３的基本算法过程,指出其应用中的多种缺陷,提出了用模糊概念来解决传统决策树中过分匹配,从而提高决策树用于知识获取性能的思想．结合树的深度优先算法、模糊包含度函数和模糊不确定函数,提出了具体实现模糊决策树（ＦＤＴ）算法,并在注塑模浇口设计中加以应用．该算法具有如下优点：在相同精度条件下,大量压缩知识,在将来知识推理中极大地避免了组合爆炸的可能性;随着应用的不断深入,ＦＤＴ获取的知识会逐渐集中在领域中常用的和重要的知识上．     

基于可解释机器学习的粮食主产区农村居民点演化特征及其影响因素分析——以华中地区为例

分析粮食主产区的农村居民点演化特征及影响因素,对粮食主产区农村居民点布局优化和国家粮食安全具有参考价值。综合运用景观格局指数、空间关联指数等方法,分析了1980—2015年华中粮食主产区农村居民点用地时空变化特征,并采用极限梯度提升决策树(XGBoost),结合SHAP模型解析其主导影响因素及影响机制。结果表明：华中地区农村居民点用地整体呈扩张趋势,新增居民点用地主要表现为对耕地的占用,农村居民点聚集分布态势明显,主要以局部集聚的形式分布,整体分布密度相对较低;斑块扩张态势明显,破碎程度增加,且存在显著的高值聚集现象;整体分布呈现随距离道路、水系距离的增加而明显衰减的状态;XGBoost结果显示较传统线性回归模型有更好的拟合性,社会经济因素中人口因素的影响是农村居民点用地规模扩张的主要影响因素。     

数据挖掘技术发展及其应用

本文主要针对数据挖掘的基本概念以及数据挖掘方法的介绍;本文也对数据挖掘的应用及其发展前景进行描述。     

基于粗糙集和决策树的数据挖掘方法

从粗糙集和决策树两种方法具有的优势互补性出发,提出了一种基于粗糙集和决策树相结合的数据挖掘新方法·以胶合板缺陷检测数据分析为应用对象,利用粗糙集理论对胶合板数据库中的特征信息进行缺陷识别·利用谱系聚类重心距离法对数据进行离散化处理,采用粗糙集进行属性约简,得到低维样本数据,最后用决策树方法产生决策规则·实验证明,这种数据挖掘方法保留了原始数据的内部特点,加快了获取知识的进程,提高了模型的分类准确率,增强了规则的可解释性,取得了满意的研究结果·     

C5.0分类算法及在银行个人信用评级中的应用

研究了商业银行的个人信用评级问题.由于个人信用记录中既涉及有数值型数据, 也涉及有非数据型数据,而决策树是解决这一类问题的最好方法. 到目前为止,决策树C4.5算法的研究已基本成熟,但其C5.0算法由于商业机密的缘故至今没有公开.因此在决策树C4.5算法基础上详细研究了C5.0算法及相应的Boosting技术,并嵌入Boosting算法技术, 构造了成本矩阵和Cost-sensitive tree,以此建立基于C5.0算法的银行个人信用评级模型,用来对德国某银行的个人信贷数据进行信用评级,同时对模型参数调整前后决策树的判别结果进行比较. 仿真表明:参数调整后的决策树的判别结果优于参数调整前的决策树的判别结果.     

一种改进的区间值属性决策树学习算法

通过引进新的非平稳割点定义,提出了改进的区间值属性决策树学习算法,改进后学习算法的效率有很大程度的提高。