基于Hadoop的中医症状群分类应用

传统单一的KNN算法来挖掘中医病案症状-证型规律,存在占用内存空间大、建模时间长、复杂度高、大数据量无法处理等问题。提出基于Hadoop平台的并行化计算中医症状群分类方法。在Hadoop分布式计算平台中,利用MapReduce计算框架,并行化实现KNN分类算法。实验结果表明,基于Hadoop的中医症状群预测分类效率更高,能更有效地指导临床实践。

集成学习算法在中医证型分类预测中的应用

为提高中医诊断的智能化以及辩证的准确度,提出一种基于多模态扰动策略的集成学习算法(MPEL算法)。首先,在样本域多次抽样产生不同的样本子空间;其次,在属性域采用改进的层次聚类特征选择算法,划分不同的属性子空间,进而训练出具有较大差异性的基分类器;然后,采用贪心策略选取最优的基分类器组合,提高算法整体性能。选择中医哮喘病症状-证型病案进行验证,并与其它集成学习算法对比,实验结果表明,改进的集成学习算法在哮喘病症状-证型分类预测中训练速度较快、识别准确率更高,最高识别率高达98.16%。