[发明专利]一种基于属性约简和XGBoost的COVID-19检测假阴性识别方法

权利要求书

1.一种基于属性约简和XGBoost的COVID-19检测假阴性识别方法，其特征在于，包括如下步骤：

S1、获取COVID-19病例样本数据并进行预处理及数据增强；

S2、对经步骤S1处理后的样本数据进行属性约简，降低数据维度，并将样本数据划分为训练集和测试集；

S3、使用XGBoost提升树可扩展系统对COVID-19检测核心指标进行重要度筛选；

S4、利用训练集中的数据对XGboost算法评估模型进行训练，建立评估模型；并将测试集的数据代入评估模型进行识别诊断，验证评估模型效果；

S5、利用评估模型对病例数据进行预测。

2.根据权利要求1所述的基于属性约简和XGBoost的COVID-19检测假阴性识别方法，其特征在于，所述步骤S1中的数据预处理包括：

缺失数据处理：对于数值型缺失数据采用均值法补齐，对于字符型缺失数据采用空白值填充，对于缺失数据大于20个的属性直接删除；非连续数据编码：使用One-Hot对分类字符串进行转换。

3.根据权利要求2所述的基于属性约简和XGBoost的COVID-19检测假阴性识别方法，其特征在于，所述S1中的数据增强采用如下方法：对于非平衡数据，通过合成少数类过采样技术方法对少数类样本进行分析，并本根据少数类样本人工合成新样本扩充到原样本数据中。

4.根据权利要求2所述的基于属性约简和XGBoost的COVID-19检测假阴性识别方法，其特征在于，所述S1中的数据增强采用如下方法：对于非平衡数据，采用MMD-GAN进行数据增强，生成模拟样本。

5.根据权利要求1所述的基于属性约简和XGBoost的COVID-19检测假阴性识别方法，其特征在于，所述步骤S2中采用模糊粗糙集属性约简方法约简数据中属性依赖度较低的属性。

6.根据权利要求1所述的基于属性约简和XGBoost的COVID-19检测假阴性识别方法，其特征在于，所述步骤S3中，在进行检测核心指标重要度筛选前，先用MDGO优化XGBoost算法评估模型参数。

7.根据权利要求6所述的基于属性约简和XGBoost的COVID-19检测假阴性识别方法，其特征在于，所述步骤S3中的属性重要度筛选包括：提取评估模型所有检测指标的重要度权重，根据平均权重及临床实际对核心指标进行重要度排序。

8.根据权利要求6所述的基于属性约简和XGBoost的COVID-19检测假阴性识别方法，其特征在于，所述MDGO优化的XGBoost算法评估模型参数为：学习率0.28，伽玛0.03，最大树深度5，最小叶权重0.25，子采样0.33，列采样率0.16。

9.根据权利要求1所述的基于属性约简和XGBoost的COVID-19检测假阴性识别方法，其特征在于，所述S2中训练集与测试集通过5折交叉验证方法按照8:2的比例进行划分。

10.根据权利要求1所述的基于属性约简和XGBoost的COVID-19检测假阴性识别方法，其特征在于，所述步骤S4中测试集验证评估模型效果时，通过准确率、查准率、查全率、综合性指标来评价评估模型效果。