[发明专利]一种基于ɑ-RIPPER分类器的国民体质健康分析方法

说明书

本发明公开了一种基于ɑ‑RIPPER分类器的国民体质健康分析方法，首先将国民体质健康分析转换为数学问题，然后利用优化的RIPPER算法，构建ɑ‑RIPPER分类模型，实现对成长期儿童或青少年不同生长阶段各项重要体质评价指标的分类并结合的评价结果综合分析儿童或青少年的生长状况。本发明在RIPPER算法中引入规则冲突率阈值α，在规集增长阶段每次新增一条规则时，计算规则间的冲突率，当超过α时对相关规则进行剪枝操作，通过减少其中某条规则的规则前件降低冲突率，同时也能遵循MDL原则减少规则的描述长度，实现最少比特位描述。

技术领域

本发明属于大数据应用技术领域，涉及一种基于ɑ-RIPPER分类器的国民健康分析方法。

背景技术

随着社会的发展人们对于下一代的生长发育发育越来越重视，特别是孩子的身高、体重等重要指标。由于目前国内的研究工作集中在从社会学角度出发的儿童青少年生长发育概念的相关理论方面，并针对特定指标提出了大量的科学指导方法，但从自然科学的角度对儿童青少年生长发育过程中结合数据量化分析的指导模型却很少见。因此在生长发育大数据的驱动下，借助深度学习等热门方法建立标准化生长健康指标评估模型，对于分析特定地区男女生生长发育规律进行直观量化同时对儿童青少年的成长发育提供更科学的指导，具有重要的理论意义与参考价值。利用改进的RIPPER构建分析模型，对儿童青少年相应体质数据与重要指标的内在关系进行有效刻画，实现生长期儿童青少年各项成长指标的分类评估预测。

RIPPER(Repeated Incremental Pruning to Produce Error Reduction)算法是目前最著名、包含最多技巧的命题规则学习方法，通过将预剪枝策略与后处理优化操作结合，使算法相较于REP、IREP等速度更快且具有较强的泛化能力，甚至使规则学习首次在性能表现上超过决策树。目前针对RIPPER算法生成的规则集中多条规则产生冲突时大多采用投票法、排序法或元规则法，然而上述做法没有从根本对规则冲突进行控制。本文提出在算法规则集增长阶段，设置一个冲突率阈值α，每增加一条规则对规则集在训练数据上各项规则间的冲突率δ_i进行计算并将其与α比较，当δ_i>α时，对产生冲突的规则进行剪枝操作直至低于阈值。上述操作从控制冲突率的角度进行冲突消解同时依照MDL原则对规则集描述长度进行控制，使规则的描述更加精练、准确，同时在一定程度上增强了算法泛化能力。

发明内容

为了解决上述技术问题，本发明提出了基于ɑ-RIPPER分类器的国民体质健康分析方法。

本发明所采用的技术方案是，一种基于ɑ-RIPPER分类器的国民健康分析方法，其特征包括以下两点：

(1)对RIPPER算法进行改进，引入冲突率阈值降低生成规则集的冲突率，使规则的描述更加精练、准确，且在增强算法泛化能力。

(2)将儿童青少年体质健康分析转换为数学问题，构建ɑ-RIPPER分类模型，实现对以地域划分的成长期儿童或青少年不同生长阶段各项重要体质评价指标的归类并结合评价结果综合分析儿童或青少年的生长状况。

附图说明

图1：生长指标等级分类问题描述；

图2：α-RIPPEP规则归纳流程图；

图3：α-IREP*程序流程图；

具体实施方式

为了发现生长期儿童青少年在不同成长阶段的身高、体重、肺活量、握力变化规律，本文提取成长期青少年儿童的健康信息包括年龄、性别、所在地域、身高体重、父亲身高、母亲身高、立定跳远、引体向上、俯卧撑、仰卧起坐、肺活量、体前屈、折返跑、实心球、握力、体脂、血压、视力、听力等生长期关键信息，通过对上述属性进行初步归类统计并尝试将其与生长期儿童青少年在特定成长阶段的身高、体重、肺活量、握力等最能反映生长期儿童青少年成长状况的衡量指标的等级进行映射匹配，我们发现：