[发明专利]一种基于机器学习算法的阿尔茨海默病预测方法

权利要求书

1.一种基于机器学习算法的阿尔茨海默病预测方法，其特征在于，具体包括如下步骤：

S1、获取样本数据，对各研究变量进行等级化编码及赋值；

S2、通过随机采样建立包含多个决策树的随机森林预测模型；

S3、将预设值输入随机森林预测模型；

S4、根据随机森林预测模型的输出结果，预测阿尔茨海默病的诱因。

2.如权利要求1所述的一种基于机器学习算法的阿尔茨海默病预测方法，其特征在于：步骤S1中所述研究变量包括烟龄、饮酒史、体育锻炼、蔬菜水果食用。

3.如权利要求1所述的一种基于机器学习算法的阿尔茨海默病预测方法，其特征在于，步骤S2的具体过程如下：

S21、对样本数据进行T次的随机采样，并依据分类树分类规则生成T个训练集，每个训练集包含m个训练集样本；

S22、在m个训练集样本中，对决策树训练样本基于抽样聚合方法进行采样，得到若干自主训练集，并依据自主训练集构建Cart决策树作为弱分类器；

S23、随机选择决策树分类特征，生成足够数量的决策树弱分类器；

S24、确定决策树分类节点数量mtry和决策树数量ntree；

S25、运用已经构建完成的各决策树弱分类器对新的特征向量进行分类，并依据分类结果基于bagging算法合成强分类器，再基于强分类器的分类结果，完成对特征向量的预测与判别；

S26、基于随机森林分类中各特征属性的OOB误差，对各特征属性对AD影响程度进行评估。

4.如权利要求3所述的一种基于机器学习算法的阿尔茨海默病预测方法，其特征在于，步骤S23的具体过程如下：

S231、在已选取的m个训练集样本中，选取样本的n个属性变量，作为决策树分类标准；

S232、判别n个属性特征各自的GINI指数，再将GINI指数最大的特征属性作为决策树的分类节点，并采取固定浅层模式避免剪枝过程，建立决策树弱分类器；

S233、重复步骤S231和S232，直至生成足够数量的决策树弱分类器。

5.如权利要求4所述的一种基于机器学习算法的阿尔茨海默病预测方法，其特征在于，步骤S232建立决策树弱分类器的具体过程为：样本中的每个属性都要遍历所有可能的分割方法，得到一个最小的ginsplit，该分割就作为此节点处的分裂标准，再按分割对应的属性值来进行分裂，并根据不同的属性值创建树枝；进一步向下划分，事先确定一个叶节点纯度阈值，大于或等于该阈值时则停止划分。

6.如权利要求3所述的一种基于机器学习算法的阿尔茨海默病预测方法，其特征在于，步骤S24的具体过程如下：控制ntree取值保持恒定，逐步对mtry进行调节，依此判定mtry的最佳值；控制各mtry保持恒定，逐步对ntree进行条件，当模型泛化误差较小且趋于稳定时则认为ntree为最佳。

7.如权利要求3所述的一种基于机器学习算法的阿尔茨海默病预测方法，其特征在于，步骤S24中决策树分类节点数量mtry为4，决策树数量ntree为80。

8.如权利要求1所述的一种基于机器学习算法的阿尔茨海默病预测方法，其特征在于：步骤S1中样本数据选自年龄在65岁及以上的老年人，性别不限。