一种基于机器学习算法的阿尔茨海默病预测方法与流程

1.本发明涉及计算机技术领域，特别涉及一种基于机器学习算法的阿尔茨海默病预测方法。


背景技术：

2.阿尔茨海默病是发生于老年和老年前期、以进行性认知功能障碍和行为损害为特征的神经系统疾病，主要表现为记忆障碍、失语、失用、失认、视空间能力损害、抽象思维和计算能力损害、人格和行为改变等，可通过药物治疗改善，目前尚不能治愈。
3.随着人口老龄化程度越来越高，逐渐步入老龄化社会，阿尔茨海默病患者逐年增多。作为一种中枢神经系统变性病，它有着起病隐袭、病症进行缓慢等特点，严重威胁老年人身心健康。找出阿尔茨海默病的诱因，对于有效降低阿尔茨海默病的患病率，具有重要意义。


技术实现要素：

4.为解决上述问题，本发明提供了一种基于机器学习算法的阿尔茨海默病预测方法，该预测方法通过机器学习算法有助于找出阿尔茨海默病的诱因，对于有效降低阿尔茨海默病的患病率，具有重要意义。
5.本发明采用以下技术方案：
6.一种基于机器学习算法的阿尔茨海默病预测方法，具体包括如下步骤：
7.s1、获取样本数据，对各研究变量进行等级化编码及赋值；
8.s2、通过随机采样建立包含多个决策树的随机森林预测模型；
9.s3、将预设值输入随机森林预测模型；
10.s4、根据随机森林预测模型的输出结果，预测阿尔茨海默病的诱因。
11.优选地，步骤s1中所述研究变量包括烟龄、饮酒史、体育锻炼、蔬菜水果食用。
12.优选地，步骤s2的具体过程如下：
13.s21、对样本数据进行t次的随机采样，并依据分类树分类规则生成t个训练集，每个训练集包含m个训练集样本；
14.s22、在m个训练集样本中，对决策树训练样本基于抽样聚合方法进行采样，得到若干自主训练集，并依据自主训练集构建cart决策树作为弱分类器；
15.s23、随机选择决策树分类特征，生成足够数量的决策树弱分类器；
16.s24、确定决策树分类节点数量mtry和决策树数量ntree；
17.s25、运用已经构建完成的各决策树弱分类器对新的特征向量进行分类，并依据分类结果基于bagging算法合成强分类器，再基于强分类器的分类结果，完成对特征向量的预测与判别；
18.s26、基于随机森林分类中各特征属性的oob误差，对各特征属性对ad影响程度进行评估。
19.优选地，步骤s23的具体过程如下：
20.s231、在已选取的m个训练集样本中，选取样本的n个属性变量，作为决策树分类标准；
21.s232、判别n个属性特征各自的gini指数，再将gini指数最大的特征属性作为决策树的分类节点，并采取固定浅层模式避免剪枝过程，建立决策树弱分类器；
22.s233、重复步骤s231和s232，直至生成足够数量的决策树弱分类器。
23.优选地，步骤s232建立决策树弱分类器的具体过程为：样本中的每个属性都要遍历所有可能的分割方法，得到一个最小的ginsplit，该分割就作为此节点处的分裂标准，再按分割对应的属性值来进行分裂，并根据不同的属性值创建树枝；进一步向下划分，事先确定一个叶节点纯度阈值，大于或等于该阈值时则停止划分。
24.优选地，步骤s24的具体过程如下：控制ntree取值保持恒定，逐步对mtry进行调节，依此判定mtry的最佳值；控制各mtry保持恒定，逐步对ntree进行条件，当模型泛化误差较小且趋于稳定时则认为ntree为最佳。
25.优选地，步骤s24中决策树分类节点数量mtry为4，决策树数量ntree为80。
26.优选地，步骤s1中样本数据选自年龄在65岁及以上的老年人，性别不限。
27.采用上述技术方案后，本发明与背景技术相比，具有如下优点：
28.本发明的样本数据选自年龄在65岁及以上的老年人，对各研究变量进行等级化编码及赋值后，通过随机采样建立包含多个决策树的随机森林预测模型，再将预设值输入随机森林预测模型，可根据随机森林预测模型的输出结果，预测阿尔茨海默病的诱因，对于有效降低阿尔茨海默病的患病率，具有重要意义。
附图说明
29.图1为本发明的流程框图。
具体实施方式
30.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
31.实施例
32.如图1所示，一种基于机器学习算法的阿尔茨海默病预测方法，具体包括如下步骤：
33.s1、获取样本数据，样本数据选自年龄在65岁及以上的老年人，性别不限，抽取1038份样本数据，对各研究变量进行等级化编码及赋值；所述研究变量包括烟龄、饮酒史、体育锻炼、蔬菜水果食用；各研究变量的赋值情况如表1所示；
34.表1各研究变量的赋值情况
[0035][0036]
s2、通过随机采样建立包含多个决策树的随机森林预测模型；
[0037]
步骤s2的具体过程如下：
[0038]
s21、对样本数据进行t次的随机采样，并依据分类树分类规则生成t个训练集，每个训练集包含m个训练集样本；
[0039]
s22、在m个训练集样本中，对决策树训练样本基于抽样聚合方法进行采样，得到若干自主训练集，并依据自主训练集构建cart决策树作为弱分类器；
[0040]
对于一个样本随机选取，它在某一次含m个样本的训练集的随机采样中，每次被采集的概率是不被采集到的概率为如果m次采样都没有被采集中的概率是当
[0041][0042]
即在bagging的每轮随机采样中，训练集中大约有36.8％的数据没有被采样集采集中。对于这部分没有被采样到的数据，称之为袋外数据(out of bag,简称oob)。通过随机生成不同的训练集降低了分类器之间的相关性，提高了随机森林的泛化能力；
[0043]
s23、随机选择决策树分类特征，生成足够数量的决策树弱分类器；
[0044]
步骤s23的具体过程如下：
[0045]
s231、在已选取的m个训练集样本中，选取样本的n个属性变量，作为决策树分类标准；
[0046]
s232、判别n个属性特征各自的gini指数，再将gini指数最大的特征属性作为决策树的分类节点，并采取固定浅层模式避免剪枝过程，建立决策树弱分类器；
[0047]
建立决策树弱分类器的过程中，假设训练样本特征的个数为n，随机森林算法随机地去选择特征对分类树的内部节点进行属性分裂。分类树以基尼指数作为分类标准，该标准能够选出降低数据无序度的属性。每棵树都一直这样分裂下去，直到该节点的所有训练样例都属于同一类。在决策树的分裂过程中不需要剪枝，基尼指数为：
[0048][0049]
pi是样本属于i类的概率。gini指数越小表示集合中被选中的样本被分错的概率越小，也就是说集合的纯度越高。如果集合分为l个部分，则gini指数为
[0050][0051]
其中ni是子节点在i处的样本个数，n是在母节点处的样本个数，是决策树中子节点个数。样本中的每个属性都要遍历所有可能的分割方法，得到一个最小的ginsplit，该分割就作为此节点处的分裂标准，再按分割对应的属性值来进行分裂，并根据不同的属性值创建树枝；进一步向下划分，事先确定一个叶节点纯度阈值，大于或等于该阈值时则停止划分；
[0052]
s233、重复步骤s231和s232，直至生成足够数量的决策树弱分类器；
[0053]
s24、确定决策树分类节点数量mtry和决策树数量ntree；
[0054]
步骤s24的具体过程如下：控制ntree取值保持恒定，逐步对mtry进行调节，依此判定mtry的最佳值；控制各mtry保持恒定，逐步对ntree进行条件，当模型泛化误差较小且趋于稳定时则认为ntree为最佳；
[0055]
s25、运用已经构建完成的各决策树弱分类器对新的特征向量进行分类，并依据分类结果基于bagging算法合成强分类器，再基于强分类器的分类结果，完成对特征向量的预测与判别；
[0056]
s26、基于随机森林分类中各特征属性的oob误差，对各特征属性对ad影响程度进行评估；
[0057]
本实施例随机抽取65％的数据作为样本，即692个样本，ntree＝80，mtry＝4，基于此参数设置对测试集数据进行分类，得到分类正确率为99.3％。随机运行100次，误差集中在0.01附近小幅波动，平均误差为99.1％，结果证明随机森林具有较高的分类正确率及良好的稳定性。
[0058]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。