[发明专利]基于半监督学习的疾病预测模型建立方法及装置

权利要求书

1.一种基于半监督学习的疾病预测模型建立方法，其特征在于，包括以下步骤：

S1、将有标签数据进行分类，得到有标签数据的基础分类模型；

S2、从无标签数据中选取部分无标签数据；

S3、将步骤S2选取的部分无标签数据通过聚类方法进行分类，得到无标签数据的聚类结果M₁，并且利用所述基础分类模型对步骤S2选取的部分无标签数据进行标记，得到预测结果T₁；根据所述无标签数据的聚类结果M₁和预测结果T₁得到无标签数据的标记结果C；

S4、将无标签数据的标记结果C和有标签数据合并起来进行分类，得到更新的基础分类模型，转步骤S2从剩下的无标签数据中继续选取部分无标签数据执行步骤S3和S4，如此迭代直至所有无标签数据处理完毕，得到最终分类模型；

所述步骤S2中，若q₂＞10q₁，其中q₁为有标签数据的数据总量，q₂为无标签数据的数据总量，则选取的所述部分无标签数据的数量为a×q₂，其中a＝20％；若q₁≤q₂≤10q₁，则选取的所述部分无标签数据的数量为b×q₁，且b＝50％；

所述步骤S3中利用以下线性公式计算无标签数据的标记结果C：

C＝αT₁+βM₁；

其中α,β为分类系数；α＝50％q₁/(q₁+q₂)，β＝q₁/(q₁+q₂)；

所述步骤S3中还包括：

若C＞1.5q₁/(q₁+q₂)，则标记结果C为表示真的数值1，若C≤1.5q₁/(q₁+q₂)，则标记结果C为表示假的数值0；其中，q₁为有标签数据的数据总量，q₂为无标签数据的数据总量q₂。

2.根据权利要求1所述的基于半监督学习的疾病预测模型建立方法，其特征在于，所述步骤S1中通过以下任一种分类方法对有标签数据进行分类：神经网络、朴素贝叶斯或多元线性回归分析方法。

3.根据权利要求1所述的基于半监督学习的疾病预测模型建立方法，其特征在于，所述步骤S3中使用的聚类方法为K-means或层次聚类方法。