[发明专利]一种基于朴素贝叶斯算法的预测模型的建立方法

说明书

本发明特别涉及一种基于朴素贝叶斯算法的预测模型的建立方法。该基于朴素贝叶斯算法的预测模型的建立方法，收集与脑卒中相关的因素数据，并将定性数据转化为定量数据，利用皮尔森相关系数法计算各个特征与目标值的相关系数，将相关系数值定量转化为权重；将传统算法结合多项式及高斯模型分别处理离散和连续的特征数据，采用加权特征分析方法提升重要特征对预测结果的影响，进而得到高预测精确率的预测模型。该基于朴素贝叶斯算法的预测模型的建立方法，结合混合预测模型，特征加权方法和滑动界定因子，并综合考虑多个评价指标最终获得了高预测精确率的预测模型，能为医生明确诊断和治疗提供参考数据，对全民卫生事业的发展具有非常重要的意义。

技术领域

本发明涉及机器学习算法技术领域，特别涉及一种基于朴素贝叶斯算法的预测模型的 建立方法。

背景技术

脑卒中是一种急性脑血管疾病，严重者可引起死亡。脑卒中疾病本身一直缺乏有效的 治疗手段，而且其有发病率高、致残率高、死亡率高、复发率高的“四高”特点。因此如何 能做到对疾病的及时预警与防治，为医生的明确诊断和治疗提供数据依据，对全民卫生事 业的发展具有非常重要的意义。

朴素贝叶斯模型是一种经典的监督学习机器学习算法，它基于贝叶斯公式提出，其本 身对于是否患病的二分类问题已经是一种快速、有效的分类算法。但是由于朴素贝叶斯针 对不同的特征类型有不同的最优实现模型，而且算法本身并没有考虑特征与目标结果的相 关性因素，因此算法本身还有改进的空间，另外其分类预测的效果很大程度上也直接受其 选择特征的影响。

针对上述问题，本发明将脑卒中患者的各项治病因素进行了综合分析，并选取了最适 合本发明的13项特征，在此基础上结合改进的算法模型，提出了一种基于朴素贝叶斯算 法的预测模型的建立方法。

发明内容

本发明为了弥补现有技术的缺陷，提供了一种简单高效的基于朴素贝叶斯算法的预测 模型的建立方法。

本发明是通过如下技术方案实现的：

一种基于朴素贝叶斯算法的预测模型的建立方法，其特征在于：收集与脑卒中相关的 因素数据组成特征集合B，并对相关的数据进行预处理，将定性数据转化为定量数据，利 用皮尔森相关系数法计算各个特征与目标值的相关系数，将相关系数值定量转化为权重 w_i；将传统算法结合多项式及高斯模型来分别处理离散和连续的特征数据，采用加权特征 分析方法提升重要特征对预测结果的影响；引入精确率precision，召回率recall，模型综 合评价指标F_measure以及ROC曲线来完成对预测模型的综合评估，进而得到高预测精确率的预测模型。

对离散的特征数据采用拉普拉斯修正对概率计算结果进行平滑处理，对于特征集合B 中任意特征b，它的取值个数为m，在计算特征b对脑卒中影响概率时，在分母上加m， 在分子上加1完成对计算结果平滑的修正；

根据性别及其类似的离散特征得到的预测概率公式表示为：

其中，P(B^(j)＝b^(j)|A＝c_k)是条件概率的表示方法，其含义是在分类为c_k的前提下，特 征b取值为b^(j)时的概率，在条件上有先后顺序的要求；P(B^(j)＝b^(j)，A＝c_k)是经典概率的 表示方式，其含义是分类A取值为c_k，同时特征b取值为b^(j)的概率值。

根据BMI以及其类似的连续特征得到的预测概率公式表示为：

其中，σ是在c_k分类下的标准差，u为均值，x为相应特征的具体值。。