公开(公告)号：CN113360730A

公开(公告)日：2021-09-07

申请号：CN202110620273.6

申请日：2021-06-03

Applicant: 哈尔滨理工大学

Inventor： 苗世迪 ,  胡晓慧 ,  程可 ,  李静

IPC: G06F16/9035 ,  G06F16/906 ,  G06K9/62

Abstract: 本发明涉及一种基于过滤器和RF‑RFE算法的特征选择方法，该方法包括以下步骤：数据预处理模块，对完整数据集进行缺失值处理、离散化处理；冗余特征处理模块，使用信息增益和相关性相结合的过滤器方法对冗余特征进行删除；特征选择模块，采用RF‑RFE方法对冗余特征处理后剩余的特征进行特征选择，本发明使用过滤器方法中的相关性和信息增益相结合来删除冗余特征，采用递归特征消除(RFE)方法结合随机林来度量变量的重要性，RF‑RFE在寻找特征子集方面具有很高的识别能力，并且不需要调整参数就可以产生竞争性结果，在考虑特征之间的冗余性同时也考虑了特征选择的高效性。

公开(公告)号：CN113096814A

公开(公告)日：2021-07-09

申请号：CN202110589378.X

申请日：2021-05-28

Applicant: 哈尔滨理工大学

Inventor： 郑旭阳 ,  苗世迪 ,  程可 ,  李静

IPC: G16H50/30 ,  G06K9/62 ,  G06N20/00

Abstract: 本发明涉及一种基于多分类器融合的阿尔兹海默症分类预测方法。本发明首先对所获得数据中含有的缺失数据和异常数据进行处理和评估，确保数据的有效性；然后结合专家知识和特征选择算法，从k个特征指标中选择出n个特征子集，n≤k，去掉冗余特征和无关特征，提高最终模型的预测效果；提出基于多分类器融合的预测模型；将经过预处理的数据集输入到所提出的模型中，通过多种评估方法评估模型的性能。本发明对阿尔兹海默症的分类预测具有更好的效果和普适性。