买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：杭州师范大学

摘要：本发明公开了一种基于改进Stacking策略的糖尿病分类预测方法，本发明通过Bootstrap采样得到不同的训练集，然后使用K折交叉验证训练构建的基于Logistic回归算法的基学习器、基于随机森林算法的基学习器、基于支持向量机算法的基学习器、基于极端梯度提升树算法的基学习器；之后使用K折交叉验证基学习器精度均值用作权重因子，对基本学习器分配权重，并将基学习器的输出进行拼接，得到新的特征空间；以此为训练集来训练元学习器，最后将两层学习器进行加权拼接从而得到强学习器；本发明通过引入Boostrap技术，增加基础学习器之间的差异性，提高模型的泛化能力；通过加入基础学习器的权重系数，引入对基础学习器的准确度考量，提高分类预测模型的准确性。

主权项：1.一种基于改进Stacking策略的糖尿病分类预测方法，其特征在于：步骤1、获取人口健康普查数据，形成数据集；人口健康普查数据包括年龄、糖尿病谱系功能、体重指数、舒张压、肱三头肌皮脂厚度、妊娠次数、胰岛素浓度、血糖含量以及糖尿病类别；步骤2、对步骤1得到的数据样本进行预处理操作；步骤3、构建4个独立的基础学习器，具体为：1构建基于Logistic回归算法的基学习器，模型采用Sigmoid函数对输出进行归一化，通过导入训练集样本，得到最优参数从而获取最优基学习器；2构建基于随机森林算法的基学习器，通过Bootstrap采样抽取数据样本构建决策树，再通过用少数服从多数投票原则获得预测结果Outcome；3构建基于支持向量机算法的基学习器，通过创建基于径向基函数的支持向量机模型，导入训练集样本，使用网格搜索法获得归一化参数和核函数参数γRBF的最佳参数集，最后通过使用最佳参数集，得到基于支持向量机算法的基学习器；4构建基于极端梯度提升树算法的基学习器，首先通过对离散训练集样本进行独热编码，在引入处理好的训练数据，得到最佳参数下的基于极端梯度提升树算法的基学习器；步骤4、组建基于改进Stacking策略的糖尿病分类预测模型，首先通过Bootstrap采样得到不同的训练集，然后使用K折交叉验证训练步骤3构建的所有基学习器；之后使用K折交叉验证基学习器精度均值用作权重因子，对基本学习器分配权重，并通过将基学习器输出拼接，得到新的特征空间；再之后，以此为训练集来训练元学习器，最后将两层学习器进行加权拼接从而得到强学习器；使用的元学习器为基于Logistic回归算法的模型，其输入为基学习器的加权输出组成的新特征空间。步骤5、将任意涵盖步骤1中数据类型的有效特征数据输入步骤4训练得到的强学习器中，输出与其对应的糖尿病类型。

全文数据：

权利要求：

百度查询： 杭州师范大学 一种基于改进Stacking策略的糖尿病分类预测方法