基于双随机森林的发热待查智能诊断方法

在机器学习预测模型中,不平衡数据集会降低少数类的预测准确性。针对发热待查数据集的不平衡特性,该文提出了一种基于K-Means聚类欠采样的双随机森林病因预测方法。首先通过K-Means聚类欠采样构建一个平衡数据集,并在此基础上创建一个基于CART投票机制的随机森林预测模型。然后对初始数据集用同样的方法创建一个随机森林预测模型。最后将两个随机森林预测模型联合,使用两者的CART一起投票预测。该文提出的方法增加了CART的数量,在保持原有数据集特性的同时,提高了少数类的投票权重。在发热待查数据集上的实验表明,该文所提方法不仅改善了少数类的预测性能,对其他类别的预测性能也有一定程度的提升。