基于機(jī)器學(xué)習(xí)的卵巢腫瘤預(yù)測與分析研究

基于機(jī)器學(xué)習(xí)的卵巢腫瘤預(yù)測與分析研究

ID:35066320

大小:3.47 MB

頁數(shù):50頁

時間:2019-03-17

基于機(jī)器學(xué)習(xí)的卵巢腫瘤預(yù)測與分析研究_第1頁
基于機(jī)器學(xué)習(xí)的卵巢腫瘤預(yù)測與分析研究_第2頁
基于機(jī)器學(xué)習(xí)的卵巢腫瘤預(yù)測與分析研究_第3頁
基于機(jī)器學(xué)習(xí)的卵巢腫瘤預(yù)測與分析研究_第4頁
基于機(jī)器學(xué)習(xí)的卵巢腫瘤預(yù)測與分析研究_第5頁
資源描述:

《基于機(jī)器學(xué)習(xí)的卵巢腫瘤預(yù)測與分析研究》由會員上傳分享,免費在線閱讀,更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫

1、分類號;TP311.5單位代碼:10183研究生學(xué)號:2013544089密級:公開戀古林大學(xué)碩古學(xué)位論文專業(yè)學(xué)位()基于機(jī)器學(xué)習(xí)的卵巢腫癖預(yù)測與分析研究OvarianTumorForecastandAnalsisResearchBasedyonMachineLearning作者姓名:鄭楊類別:工程碩±領(lǐng)域(方向):軟件工程指導(dǎo)教師:胡亮教授培養(yǎng)單位:軟件學(xué)院20化年5月未經(jīng)本論文作者的書面授權(quán),依法收存和保管本論文書面版本、電子版本的任何單位和個人,巧不得對本論文的全部或部分

2、內(nèi)容進(jìn)行任何形式的復(fù)制、改編等有礙作者、修改、發(fā)行、出租著作權(quán)的商業(yè)性使用(但純學(xué)術(shù)性使用不在此限)。否則,應(yīng)承擔(dān)侵權(quán)的法律責(zé)任。吉林大學(xué)碩±學(xué)位論文原創(chuàng)性聲明本人鄭重聲明:所呈交學(xué)位論文,是本人在指導(dǎo)教師的指導(dǎo)下,獨立進(jìn)斤研究王作所取得的成果。除文中已經(jīng)注明引用的內(nèi)容外,本論文不包含任何其他個人或集體己經(jīng)發(fā)表或撰寫過的作品成果。對本文的研巧做出重要貢獻(xiàn)^的個人和集體^,巧己在文中^^明確方式標(biāo)明。本人完全意識到本聲明的法律結(jié)果由本人承擔(dān)。學(xué)位論文作者簽名/:晏冰I?P日期:年r月如日基于機(jī)器學(xué)習(xí)的卵巢腫瘤預(yù)測與分析研究Ov

3、arianTumorForecastandAnalysisResearchBasedonMachineLearning作者姓名:鄔楊專業(yè)名稱:軟件工程指導(dǎo)教師:胡亮教授學(xué)位類別:工程碩士答辯日期:2016年5月28日摘要摘要基于機(jī)器學(xué)習(xí)的卵巢腫瘤預(yù)測與分析研究21世紀(jì)以來隨著信息科技的飛速發(fā)展,計算機(jī)在社會發(fā)展中發(fā)揮著越來越重要的作用。隨著醫(yī)院信息化的發(fā)展(醫(yī)院信息系統(tǒng)和電子病歷的應(yīng)用)、數(shù)據(jù)儲存技術(shù)的發(fā)展,醫(yī)院數(shù)據(jù)庫積累了大規(guī)模的數(shù)據(jù)。然而,目前大多數(shù)醫(yī)院對于數(shù)據(jù)的處理還僅僅停留在“增、刪、改、查”的低端數(shù)據(jù)處理操作,缺乏數(shù)據(jù)集成和分析的技術(shù),更加無法利用已經(jīng)獲取的

4、數(shù)據(jù)進(jìn)行輔助醫(yī)學(xué)決策和自動獲取知識。另一方面,面對大量的數(shù)據(jù),傳統(tǒng)的數(shù)據(jù)分析和處理方法已經(jīng)無法獲得數(shù)據(jù)之間的隱藏信息和內(nèi)在關(guān)聯(lián),現(xiàn)在我們遇到的問題是,數(shù)據(jù)收集的手段得到飛速發(fā)展,數(shù)據(jù)存儲的技術(shù)得到顯著提高,但是如何利用這些來之不易的數(shù)據(jù)學(xué)以致用是我們現(xiàn)在主要面臨的問題。本文在研究了數(shù)據(jù)挖掘的相關(guān)理論基礎(chǔ)后,首先利用數(shù)據(jù)挖掘的相關(guān)理論基礎(chǔ)對收集到的用于評價卵巢腫瘤的關(guān)鍵醫(yī)學(xué)數(shù)據(jù)進(jìn)行篩選和預(yù)處理。通過學(xué)習(xí)機(jī)器學(xué)習(xí)算法選取了機(jī)器學(xué)習(xí)中適合于醫(yī)學(xué)數(shù)據(jù)挖掘的四種分類器:支持向量機(jī),對于小的樣本集、非線性樣本集及需要進(jìn)行高維降維的模式識別中有較好的效果,并且可以拓展到函數(shù)擬合等其

5、他問題中。樸素貝葉斯分類器,樸素貝葉斯模型有堅實的數(shù)學(xué)基礎(chǔ),分類效果穩(wěn)定,并且所需要的樣本空間很小,對有缺陷的數(shù)據(jù)集不敏感,算法簡單。最近鄰分類器,此方法對于類域的交叉或重疊較多的待分樣本集來說,分類效果較好。隨機(jī)森林算法對于很多種資料,可以產(chǎn)生高準(zhǔn)確度的分類器,適合處理大量的輸入變量,并且學(xué)習(xí)過程快。并且本文針對所采集數(shù)據(jù)設(shè)計了一個人工神經(jīng)網(wǎng)絡(luò)算法,由于其具有自學(xué)習(xí)能力、高速尋找最優(yōu)解能力和聯(lián)想存儲功能,在構(gòu)建數(shù)據(jù)分類算法方面,效果顯著。本文分別用這五種算法進(jìn)行分類預(yù)測分析,通過統(tǒng)計學(xué)理論知識對實驗結(jié)果進(jìn)行檢驗,并且將實驗結(jié)果與國內(nèi)外研究結(jié)果的準(zhǔn)確性進(jìn)行分析比較。從

6、機(jī)器學(xué)習(xí)的角度認(rèn)識、理解實驗結(jié)果,并且進(jìn)行算法的整體性能評價,通過分析本文的實驗結(jié)果,提取出有關(guān)于卵巢腫瘤臨床醫(yī)學(xué)數(shù)據(jù)的分類提取規(guī)則,實現(xiàn)針對卵巢癌早期預(yù)測的目的,以輔助臨床診斷。做到早預(yù)測,早治療,提高卵巢癌患者的生存率。關(guān)鍵詞:機(jī)器學(xué)習(xí),數(shù)據(jù)挖掘,卵巢腫瘤,人工神經(jīng)網(wǎng)絡(luò),樸素貝葉斯IAbstractAbstractOvarianTumorForecastandAnalysisResearchBasedonMachineLearningSincethe21stcentury,withrapiddevelopmentofinformationtechnology,th

7、ecomputerplaysanincreasinglyimportantroleinourlife.Withremarkableadvancesofhospitalinformationization,applicationofelectronicmedicalrecordsanddatastoragetechnology,hospitaldatabasehasaccumulatedalargeamountofdata.Thesepreciousmedicaldataforpredictiontodisease,diagnosis,treatmen

當(dāng)前文檔最多預(yù)覽五頁,下載文檔查看全文

此文檔下載收益歸作者所有

當(dāng)前文檔最多預(yù)覽五頁,下載文檔查看全文
溫馨提示:
1. 部分包含數(shù)學(xué)公式或PPT動畫的文件,查看預(yù)覽時可能會顯示錯亂或異常,文件下載后無此問題,請放心下載。
2. 本文檔由用戶上傳,版權(quán)歸屬用戶,天天文庫負(fù)責(zé)整理代發(fā)布。如果您對本文檔版權(quán)有爭議請及時聯(lián)系客服。
3. 下載前請仔細(xì)閱讀文檔內(nèi)容,確認(rèn)文檔內(nèi)容符合您的需求后進(jìn)行下載,若出現(xiàn)內(nèi)容與標(biāo)題不符可向本站投訴處理。
4. 下載文檔時可能由于網(wǎng)絡(luò)波動等原因無法下載或下載錯誤,付費完成后未能成功下載的用戶請聯(lián)系客服處理。