[发明专利]一种基于集成学习的低密度脂蛋白的数据处理方法

权利要求书

1.一种基于集成学习的低密度脂蛋白的数据处理方法，其特征在于，包括下列步骤：

选取特征向量，获得生物电阻抗谱数据集；

预处理所述生物电阻抗谱数据集，获取训练集和测试集；

基于所述训练集和所述测试集构建高脂血症预测模型。

2.如权利要求1所述的基于集成学习的低密度脂蛋白的数据处理方法，其特征在于，在选取特征向量，获得生物电阻抗谱数据集的过程中，

选取设定频率范围内各频率点下的阻抗值和相位角作为特征向量，建立相应的生物电阻抗谱，得到与低密度脂蛋白相关并以胆固醇浓度为检测对象的生物电阻抗谱参数，引入到低密度脂蛋白的生物电阻抗谱中，作为完整的生物电阻抗谱数据集。

3.如权利要求1所述的基于集成学习的低密度脂蛋白的数据处理方法，其特征在于，在预处理所述生物电阻抗谱数据集的过程中，

预处理的数据为所述生物电阻抗谱数据集中偏移较大的值、冗余数据以及缺失数据。

4.如权利要求1所述的基于集成学习的低密度脂蛋白的数据处理方法，其特征在于，所述训练集为从所述生物电阻抗谱数据集中有放回的重复随机选取样本，所述测试集为没有被选择的样本。

5.如权利要求4所述的基于集成学习的低密度脂蛋白的数据处理方法，其特征在于，在基于所述训练集和所述测试集构建高脂血症预测模型的过程中，

所述高脂血症预测模型采用CART回归树作为基础模型，所述CART回归树使用所述训练集作为根节点的样本，并从根节点开始训练。

6.如权利要求5所述的基于集成学习的低密度脂蛋白的数据处理方法，其特征在于，所述高脂血症预测模型采用集成学习中的随机森林算法融合所述CART回归树，以所述CART回归树为基学习器。