[发明专利]一种基于随机森林模型特征空间拟合的病情预测方法

说明书

本发明涉及信息分析预测技术领域，公开了一种基于随机森林模型特征空间拟合的病情预测算法，包括以下步骤：步骤S1，构建初始预测模型并采集样本数据，从医疗系统大数据库中得到病症的相关特征对象作为样本数据，在样本数据获取过程中，对样本数据进行精细化处理得到第一数据集合，并将第一数据集合代入到初始模型中；步骤S2，对第一数据集合的特征变量进行重要性排序，然后采用序列前向选择算法拟合初始模型空间得到随机森林预测模型；步骤S3，采集用户数据，将用户数据代入到随机森林预测模型中得到预测结果。本发明具有提高用户病情预测准度的有益效果。

技术领域

本发明涉及信息分析预测技术领域，具体涉及一种基于随机森林模型特征空间拟合的病情预测方法。

背景技术

目前在整个社会医疗系统对于一些重大疾病或者并发症疾病的诊断方法上，只能是根据现有的检测设备仪器对采集到的样本，例如血液样本、人体组织细胞样本等进行理化分析，从而得到分析对象目前的生理健康情况，而一些隐性疾病，通过当前的检测手段并不能直接检测出来，这就极大程度上妨碍了相关人员提前采取预防治疗手段，影响人体生命健康。

针对这一问题，在肝脏疾病的数据分析上，现有技术中有一种基于随机森林的肝脏疾病数据分类规则提取的方法，包括：步骤1：对肝脏疾病中不平衡或者不规则的数据进行预处理，通过SMOTE（合成少数过采样技术）获得肝脏疾病数据集；步骤2：利用随机森林模型对肝脏疾病数据集进行二进制稀疏编码，获得肝脏疾病规则集；步骤3：对肝脏疾病规则集进行弹性范数稀疏编码规则提取，获得编码肝脏疾病规则集；步骤5：进行原始数据验证，生成最终规则集。通过结合L1和L2范数的弹性范数规则提取和特征选择方法可以选择相对较少的特征，并可以提高泛化能力，提高分类精度。

虽然该方案在肝脏疾病的数据处理分析上能够有效平衡准确度和分类精度，但是其固有的应用范围又对其产生了一定限制，不能很好的解决所有疾病的准确预测，从而提高整体的健康水平。

发明内容

本发明意在提供一种基于随机森林模型特征空间拟合的病情预测方法，以解决现在对于所有疾病预测精准度不够的技术问题。

为达到上述目的，本发明采用如下技术方案：一种基于随机森林模型特征空间拟合的病情预测方法，包括以下步骤：

步骤S1，构建初始预测模型并采集样本数据，从医疗系统大数据库中得到病症的相关特征对象作为样本数据，所述特征对象包括心情类特征对象和环境类特征对象，心情类特征对象包括多巴胺含量、乙酰胆碱含量和茶酚胺类物质含量，环境类特征对象包括温度、湿度、空气流通度和紫外线强度；在样本数据获取过程中，对样本数据进行精细化处理得到第一数据集合，并将第一数据集合代入到初始模型中；特征对象在获取时，根据用户的病重情况对特征对象进行分级选择，若用户没有明显病症，则间隔固定时间段实时采集用户特征对象的数据；若用户已经确认患有病症，则对用户进行体验度分级和理化参数分级设置，并分不同的时间段采集数据；体验度分级为，根据用户的病症确诊结果，对用户的身体状况实际感受进行分级，分为轻微、一般、严重这三个等级；理化参数分级为，根据用户病症的检查结果，对检测项的理化参数设置权重，对于所有病症，基于现有的用来判定确认这种病症的所有参数统称为理化参数；

步骤S2，对第一数据集合的特征变量进行重要性排序，然后采用序列前向选择算法拟合初始模型空间得到随机森林预测模型；

步骤S3，采集用户数据，将用户数据代入到随机森林预测模型中得到预测结果。