基于C5.0决策树-快速聚类模型的万州区库岸段乡镇滑坡易发性区划

以乡镇为评价单元开展区域滑坡易发性评价对用地规划、防灾减灾等方面具有重要意义。以万州区临江段的23个乡镇单元作为研究对象,首先选取地表高程、坡度、坡向、岩性、构造、土地利用类型、地形湿度指数、水系、道路9个指标因子,通过C5.0决策树算法计算该区域发生滑坡的概率,再利用快速聚类算法进行易发性结果分级;基于ArcGIS平台得到各乡镇单元的滑坡易发性分区,结果表明:C5.0决策树-快速聚类模型的易发性评价精度最高,AUC值达到0.950,优于人工神经网络-快速聚类模型的0.826和贝叶斯-快速聚类模型的0.772。利用C5.0决策树-快速聚类模型的计算结果,综合考虑极高(高)易发区面积大小及其占乡镇面积比大小,完成各乡镇单元的滑坡易发性区划。在所有23个乡镇中,滑坡易发性等级高的包括大周镇、万州城区、溪口乡、新田镇等乡镇。通过对比各乡镇滑坡面积占研究区滑坡总面积的比重,发现两者结论基本一致,预测结果可为全区滑坡防灾减灾提供科学依据。

数据挖掘技术联合血浆CEA、CYFRA21-1、AOC3、CLEC3B及流行病学资料构建的模型对肺癌的诊断价值

目的 分析基于数据挖掘技术联合血浆癌胚抗原(CEA)、细胞角蛋白19片段抗原21-1(CYFRA21-1)、血管粘连蛋白1(AOC3)、四连接素蛋白(CLEC3B)及流行病学资料构建的模型对肺癌的诊断价值。方法 经匹配年龄、性别、吸烟史、饮酒史、肿瘤家族史与肺癌家族史,该研究共收集肺癌患者(肺癌组)与健康对照者(健康对照组)各68例。采用ELISA检测血浆CEA、CYFRA21-1、AOC3与CLEC3B的表达水平;采用数据挖掘技术中的决策树C5.0模型、人工神经网络(ANN)模型、支持向量机(SVM)模型与传统Fisher判别分析模型联合4种蛋白及流行病学资料构建肺癌诊断模型。结果 肺癌组血浆CEA与AOC3表达水平高于健康对照组(P<0.05),CLEC3B表达水平低于健康对照组(P<0.05),CYFRA21-1表达水平在两组之间差异无统计学意义(P>0.05)。决策树C5.0模型、ANN模型、SVM模型与Fisher判别分析模型诊断肺癌的准确率分别为72.09%、90.70%、81.40%与76.74%,灵敏度分别为50.00%、87.50%、70.83%与62.50%,特异度分别为100.00%、94.74%、94.74%与94.74%,曲线下面积分别为0.750、0.911、0.828与0.786;经对比,ANN模型对肺癌的诊断效能最好。结论 基于血浆CEA、CYFRA21-1、AOC3、CLEC3B与流行病学资料构建的ANN模型对肺癌的诊断效能较高,具有潜在的临床应用价值。

基于决策树学习的陶瓷原料的判别方法

本文利用数据挖掘中C5.0决策树模型判别分析法建立陶瓷原料分类模型,探讨陶瓷原料的分类方法,研究结果表明:经该模型计算所得的分类结果和实际情况相吻合。该方法有助于在配方过程中遴选陶瓷原料,可在生产过程中应用和推广。

基于CT定量比较两种算法对慢性阻塞性肺疾病危重程度的分级

目的基于CT定量分析比较C5.0决策树模型和TAN贝叶斯网络模型对慢性阻塞性肺疾病(chronic obstructive pulmonary disease, COPD)危重程度分类预测的正确率。方法回顾性收集2015年3月至2017年9月"数字肺"数据库中心COPD患者的CT扫描图像与肺功能测试结果,按《2018年慢性肺疾病诊断、治疗及预防全球策略》诊断标准,将患者分为4级。利用"数字肺"自动分析平台得到所有患者肺实质及支气管的相关指标。以肺功能分级为参照,建立C5.0决策树模型和TAN贝叶斯网络模型,比较2个模型对COPD分级的正确率。结果 C5.0的决策树模型训练样本和测试样本的正确率分别为90.76%和63.63%,TAN贝叶斯网络模型训练样本和测试样本的正确率分别为83.19%和52.73%。结论基于CT定量分析,应用C5.0决策树模型能更好地预测COPD疾病的危重程度。

西部农村产权抵押信贷中农户分类实例研究

基于陕西及宁夏部分地区农户关于产权抵押贷款的有关调研数据,以所在地区、年龄、家庭年收入等6个因素作为自变量,以农户产权抵押贷款需求为因变量,利用R语言构建决策树的农户产权抵押贷款信用评估模型,为相关农村金融机构提供金融政策方面的支持。研究结果表明:对于具有不同特征的农户,其贷款意愿呈现出一定的差异性。最终,除耕地面积变量外其余5个变量被引入决策树模型进行分析。通过检验和改进后的模型具有一定的分类正确性及准确性,对于农村金融机构在制定相应的金融政策及实际贷款风险控制过程中能起到一定的参考作用。

机动车与非机动车事故严重度多因素影响分析

为探讨机动车与非机动车事故严重度的多因素影响情况,对某市的1304起真实机动车与非机动车碰撞事故数据进行研究。采用列联分析方法对事故严重度相关因素进行显著性分析,发现9类因素与事故严重度显著相关;建立C5.0决策树模型,对所提取的显著性因素进行关联性分析,根据混淆矩阵对分类进行评价并与未引入列联分析方法的分类结果进行对比;通过提取模型中的决策规则获得机动车与非机动车死亡事故多因素诱发路径。结果表明,引入列联分析避免了因掺杂对事故严重度无显著性影响的因素而引发的错误分类结果,且机动车类型是影响事故严重度的关键因素;而非机动车骑行者受教育程度、机动车与非机动车类型和时段因素是死亡事故的重要影响因素。