[发明专利]基于子空间学习的医疗数据集特征降维方法

摘要

本发明公开了一种基于子空间学习的医疗数据集特征降维方法，该方法包括以下步骤：根据待分析的医疗数据集构建原始高维数据矩阵X和标签列；构造最优化目标函数，求解其拉格朗日函数；根据原始高维数据矩阵和标签列，计算全局判别信息和局部判别信息；迭代求解转化矩阵Q，直到目标函数收敛或者达到最大循环次数，获得降维后的数据矩阵；根据求得的转化矩阵训练模型，求出AUC值评价降维矩阵和分类准确率。相较于目前的医疗数据集的特征降维方法，本发明的方法同时利用数据的局部判别信息和全局判别信息进行降维，不仅适用于一般规模下的特征降维问题，在数据的特征规模远大于样本规模时仍然具有较高的分类准确率。

主权项

1.一种基于子空间学习的医疗数据集特征降维方法，其特征在于，包括以下步骤：步骤1、根据待分析的医疗数据集构建原始高维数据矩阵X和标签列；步骤2、构造最优化目标函数，求解其拉格朗日函数，并初始化拉格朗日函数的参数和变量；步骤3、根据原始高维数据矩阵和标签列，求取医疗数据集中样本的类间散度矩阵S_b和类内散度矩阵S_w，由此获得全局判别信息；步骤4、根据原始高维数据矩阵和标签列，构建医疗数据集中样本的类间邻接图G_b和类内邻接图G_w，并分别求取相应的Laplacian矩阵L_b和L_w，由此获得局部判别信息；步骤5、结合上述求解的S_b、S_w、G_w、G_b对拉格朗日函数进行迭代，求取用于降维重构原始高维数据矩阵的转化矩阵Q和P、误差矩阵E和拉格朗日乘子Y，直到目标函数收敛或者达到设定的最大循环次数，最终获得的矩阵Q^TX即为降维后的数据矩阵；步骤6、利用转化矩阵Q训练分类器，之后根据分类器的AUC值对矩阵Q^TX进行评价。