一种应用于智能分诊的改进朴素贝叶斯方法

针对朴素贝叶斯分类方法(naive bayesian model,NBM)在应用于门诊智能分诊时,无法有效区分不同类型的症状涉及的疾病学科范围不同问题,提出了一种朴素贝叶斯分类方法的改进算法,引入IDF因子,为不同的症状类型提供相应的权重。首先,基于权威医疗文献,收集整理诊断学相关的语料作为训练数据集,然后,基于朴素贝叶斯分类方法计算先验概率、类条件概率,训练生成不同症状的IDF因子,最后,在进行分类判断时对不同的症状组合引入IDF因子,平滑不同类型症状的重要程度。在智能分诊准确性对比实验中,改进后的算法召回率提升约11%,明显高于朴素贝叶斯分类方法。