[发明专利]一种基于机器学习的血常规样本差值核查方法

权利要求书

1.一种基于机器学习分类算法的血常规样本差值核验方法，其特征在于：将两次的样本、差值作为模型分类依据，实现对样本质量的识别，其中被预测为异常的样本可归结为配对错误、样本污染、异常生物变异三种情况。

2.根据权利要求1所述的基于机器学习算法分类的血常规差值质量识别方法，其特征在于：所述检验样本数据为医院的实验室血常规各项检验指标数据。

3.所述样本的数据预处理过程包括数据区域转置、数据缺失值填补和变量筛选。

4.根据权利要求2所述的基于机器学习分类算法的血常规样本识别方法，其特征在于：将合适的样本数据配对操作，同一个人前后两次的差值按正常样本标记，随机搭配的两个人各自前后的样本差值按异常样本标记。

5.根据权利要求3所述的基于机器学习分类算法的血常规样本识别方法，其特征在于：对血常规下的各分类指标信息熵权，依据权重对样本重塑。

6.使得处理后的负荷数据处在统一的阈值范围内。

7.根据权利要求1所述的基于机器学习分类算法的血常规样本识别方法，其特征在于：建立机器学习分类器模型，依据二分类策略实现数据的分类。

8.可采用的算法有逻辑回归分类、KNN分类、云计算分类、贝叶斯分类、决策树、支持向量机分类、神经网络分类、深度神经网络分类等，依据二分类策略实现数据的分类。

9.根据权利要求4所述的基于机器学习分类算法的血常规样本识别方法，其特征在于：按照8:2的比例划分训练组与实验组，训练组用于机器学习分类模型的训练，实验组用于检测模型的辨别能力。

10.根据权利要求5所述的基于机器学习分类算法的血常规样本识别方法，其特征在于：将训练组输入到模型中进行训练；在每次的训练结束后进行交叉验证，为评估统计分析、机器学习算法对独立于训练数据的数据集的泛化能力，避免过拟合问题。

11.交叉验证一般要尽量满足两点：训练集的比例要足够多，一般大于一半；训练集和测试集要均匀抽样。