[发明专利]基于密度聚类的有监督二分类数据分析方法及系统

说明书

本发明公开了一种基于密度聚类的有监督二分类数据分析方法及系统，属于分类预测技术领域，解决的技术问题为如何通过对训练集生物信息数据进行有效的聚类分析来实现测试样本分类预测。包括：将已知类别的生物信息数据标记为0类和1类，对于每类数据，将数据划分为训练集和测试集；通过DBSCAN算法对每类训练集进行密度聚类，得到对应的初始类簇，并生成基于密度距离的初始训练模型；将整体测试集依次输入上述两类初始训练模型再次进行密度聚类，得到对应的类簇，并生成基于密度距离的训练模型；将每个测试样本依次带入上述两类训练模型，得到测试样本的预测类别。系统包括分类模块、初始模型构建模块、训练模型重建模块和类别预测模块。

技术领域

本发明涉及分类预测技术领域，具体地说是一种基于密度聚类的有监督二分类数据分析方法及系统。

背景技术

焦虑症是神经症这一大类疾病中最常见的一种，以焦虑情绪体验为主要特征。主要表现为：无明确客观对象的紧张担心，坐立不安，以及植物神经功能失调症状，如心悸、手抖、出汗、尿频等。近年来，随着社会发展进程加快所产生的巨大社会压力，一度影响到了在大学校园这一特殊环境中学习的学生们，使得国内大学生的心理健康问题逐渐成为大家较为关心的社会问题。目前大多数高校都会采用症状自评量表SCL-90进行心理健康测试，虽然积累了海量的心理数据，但是仅仅停留在表面工作上，学校心理咨询中心的老师通过该系统的大学生心理健康量表对学生心理问题进行测试，能对学生心理问题状况进行一个总体的掌握和简单的统计。

近几年来，有很多学者尝试利用机器学习中的分类模型通过学生的校园数据对学生的表现进行有监督分类预测，这其中就包括K近邻模型、逻辑回归模型、支持向量机模型、决策树模型、随机森林模型等等，但每个模型都或多或少的存在缺点，如样本不均衡干扰预测结果、容易过拟合等原因使得分类预测结果不是很理想，因此，我们仍需研究新的方法或改进已有模型来实现更高效率的预测分析。

基于上述分析，如何对训练集生物信息数据进行有效的分析来实现测试集样本二分类预测，减小样本不均衡给预测结果带来的干扰，并避免分类过程出现过拟合现象，是需要解决技术问题。

发明内容

本发明的技术任务是针对以上不足，提供一种基于密度聚类的有监督二分类数据分析方法及系统，来解决如何通过对训练集生物信息数据进行有效的聚类分析来实现测试集样本的分类预测，减小样本不均衡给预测结果带来的干扰，并避免分类过程出现过拟合现象的问题。

第一方面，本发明提供一种基于密度聚类的有监督二分类数据分析方法，包括：

将已知类别的生物信息数据标记为0类和1类，对于每类数据，将数据划分为训练集和测试集；

通过DBSCAN算法对每类训练集进行密度聚类，得到对应的初始类簇，并生成基于密度距离的初始训练模型；

将整体测试集依次输入上述两类初始训练模型再次进行密度聚类，得到对应的类簇，并生成基于密度距离的训练模型；

将每个测试样本依次带入上述两类训练模型，以测试样本对象与类簇的核心对象之间的最小距离为判断准则，将每个测试样本对象划分至相应的类簇，得到测试样本的预测类别。

在上述实施方式中，抽取部分样本对象作为训练集，通过DBSCN算法进行聚类，使得训练集中尽可能多的训练样本归纳到同一个类簇中，并将测试样本带入训练模型，根据测试样本对象与类簇的核心对象距离最小值的大小预测分类，对数据进行有监督的二分类。

DBSCAN算法是一种基于密度的聚类算法，该算法一般假定类别可以通过样本分布的紧密程度决定。同一类别的样本，他们之间是紧密相连的，也就是说，在该类别任意样本周围不远处一定有同类别的样本存在，通过将紧密相连的样本划为一类，这样就得到了一个聚类类别；通过将所有各组紧密相连的样本划为各个不同的类别，则我们就得到了最终的所有聚类类别结果。