基于改进LightGBM集成模型的胃癌存活性预测方法

胃癌存活性预测是胃癌预后的一项重要工作,通过挖掘影响胃癌患者存活性的重要特征以及准确地对存活性进行预测,能为医生诊疗提供决策支持。针对目前胃癌存活性预测研究中存在的准确性不足及缺乏模型可解释性等问题,本文提出一种基于改进LightGBM的集成分类方法(SGPL-LightGBM)进行胃癌存活性预测和预测模型事后解释。首先,借助基于稳定性的特征选择(stability feature selection)方法确定了最佳特征子集,在减少计算开销的同时提升了预测准确性。之后,引入智能优化算法(genetic algorithm)对SGPL-LightGBM模型中的重要超参数进行优化,进一步提升胃癌存活性预测模型性能。结合部分依赖图分析方法(partial dependence plot)和LIME(local interpretable model-agnostic explanations)技术,对重要特征给模型预测响应带来的影响进行解释。对在真实胃癌数据集进行了验证实验,结果表明,所提出的SGPL-LightGBM集成分类预测方法在胃癌存活性预测上有着更高的准确性及可解释性,能为医生治疗方案的制订提供有效地决策支持。

基于ADASYN-IFA-Stacking的再入院患者风险预测方法

在医疗领域,非计划性再入院花费占据了医院总支出的很大一部分,如何降低再入院率,预防再入院情况的发生已经成为了医疗管理领域一个亟待解决的问题.在针对如何能够对再入院患者精确地进行识别这一问题进行深入研究以后,提出了一种基于ADASYN-IFA-Stacking的再入院患者风险预测方法,这一方法主要分为了不均衡数据处理、集成学习模型构建以及参数优化三个部分.不均衡数据处理解决了由于类间不均衡给模型带来的偏倚问题,集成学习模型则可以对多个子分类器的优势进行结合,使用萤火虫算法进行模型最优参数的选择能够进一步提升模型的预测性能.通过在获取到的再入院病人数据集上进行十折交叉验证实验后,结果显示所提出的预测方法要优于现在流行的支持向量机、分类与回归树、随机森林等其它机器学习方法.

城市人才吸引力评价模型研究---以深圳市为例

科技人才作为科技资源的基础,对促进社会经济发展起着关键作用。如何吸引优秀的科技人才来满足经济建设和社会发展的需要,已经成为各个国家和地区发展战略中的重要组成部分。为了更加全面、科学地衡量城市的人才吸引力水平,本文收集了2012年至2016年间北京、上海、广州、深圳、杭州及苏州六个城市的宏观经济数据,并在此基础上对各地区人才吸引力的内部和外部环境进行了系统分析,构建了包含有人才流动吸引力、人才发展吸引力2个一级指标,经济发展水平、自然环境、生活环境等12个二级指标,以及GDP总量、人均GDP、GDP增长率等46个三级指标组成的人才吸引力指标体系及相关的评价模型,并且重点结合深圳市人才吸引工作的相关措施,对该市的人才吸引力水平进行了量化评价。同时,针对深圳市的具体情况,本文将其与广州、杭州等同类城市的人才吸引力优势与不足进行了深入分析比较,提出了提升该市人才吸引力水平的相关措施,并综合给出了其他城市的发展建议。

基于GMM-RBF神经网络的前列腺癌诊断方法

前列腺癌是近年来发病率上升速度最快的男性癌症,严重威胁着患者的身体健康,准确地判断癌症患者的患病情况对于节约医疗资源、提高患者满意度起着至关重要的作用。近年来,基于数据挖掘的癌症诊断方法逐渐成为疾病诊断领域的研究热点,在提高诊断准确性上显示出极大优势。针对现有前列腺癌早期诊断方法准确性不高的问题,提出一种基于高斯混合模型改进径向基函数神经网络的前列腺癌诊断方法——GMM-RBF神经网络方法。该方法通过使用高斯混合模型对径向基函数神经网络中径向基函数的参数进行预训练,使模型避免陷入局部最优,之后采用改进的粒子群优化算法对神经网络进行训练。采用国家临床医学科学数据中心提供的数据进行前列腺癌诊断实验,将所提出的方法与径向基神经网络、分类回归树、支持向量机和逻辑回归等主流的机器学习算法进行对比,并使用准确性、特异性、敏感性和AUC值对模型的性能进行评价。研究结果表明,与改进前的神经网络模型相比,GMM-RBF神经网络模型收敛速度更快、初始准确度更高;与其它机器学习算法相比,GMM-RBF神经网络模型在10折交叉验证中取得了较高的准确性、敏感性、特异性和AUC值。GMM-RBF神经网络方法在模型预测精度上比传统的径向基函数神经网络模型有很大提升,能够得到更为可靠的前列腺癌诊断结果,为医疗工作者初步诊断前列腺癌和穿刺活检操作提供有效的辅助决策支持,该方法的提出对于减少患者痛苦、提高患者满意度和节约医疗资源具有实际意义。

基于CNN-BiLSTM的消费者网络评论情感分析

现如今,商品在线评论的情感分析业已成为许多商家不可忽视的重要工作,它对于商家了解用户偏好有着重要意义,同时,它还能够为相关产品下一步的改进工作提供方向指导.然而,传统的分析方法已无法解决现在情感分析中特征提取及语义理解等方面存在的问题.针对此类问题,本文提出一种基于CNN-BiLSTM的在线评论情感分析方法,不仅可以像LSTM一样建立时序关系,而且可以像CNN一样刻画局部空间特征.医疗服务、物流快递、金融服务、旅游住宿和食品餐饮数据集的实验结果表明,该方法能有效判别消费者在线评论情感倾向,在文本的情感分类中效果较传统机器学习算法更准确,F1值可以达到94.67%.同时,实验证明该方法具有较好的领域可拓展性.

考虑工人参与意愿影响因素的竞争式众包任务推荐方法

竞争式众包中,有效的任务推荐成为亟欲解决的问题.传统任务推荐仅依据工人对任务的投标记录构建任务推荐方法,但工人对任务的投标与否本质上是由工人的参与意愿决定.针对竞争式众包特性,本文提出一种考虑工人参与意愿影响因素的竞争式众包任务推荐方法.该方法基于工人参与意愿影响因素研究,从工人维度和发包方维度将工人的参与意愿影响因素表示为工人的收益偏好、素质能力以及对发包方的信任,并结合工人历史行为记录以及相关描述信息对各维度影响因素进行衡量.在此基础上构建工人模型,并综合各维度影响因素相似度借助协同过滤算法生成推荐列表.通过一品威客众包平台中真实数据的实验表明,本文提出的推荐方法能够更有效地对竞争式众包任务做出推荐.