[发明专利]一种融合Bagging的XGboost慢性肾病分期预测算法

说明书

本发明公开了一种融合Bagging的XGboost慢性肾病分期预测算法，该算法在XGboost算法基础上，引入Bagging集成学习算法，通过对原始样本进行k轮集中有放回的抽取训练集，得到k个相互独立的训练集，将每个训练集通过XGboost算法学习到的弱分类器通过一定的规则，组合成一个强分类器，在规则的制定上，引入“投票”机制，即“少数服从多数”原则，每个弱分类器都具有投票权且重要性相同，弱分类器器投出最多票数的类别或者类别之一为最终类别。

技术领域

本发明涉及慢性肾病分类预测算法，特别涉及一种融合Bagging的XGboost慢性肾病分期预测算法。

背景技术

由于慢性肾病早期症状不明显、病因复杂及患者自我意识薄弱，造成慢性肾病知晓率、早期诊断率和治疗率都较低，导致目前慢性肾病防治困难的现状。将数据挖掘技术应用于医疗领域，利用已知的医疗数据建立模型，为疾病诊断和预后提供一定的参考，是传统医学与信息技术相结合的典型应用。Bagging算法是一种将弱分类器组装成强分类器的方法，通过从原始样本进行k轮集中有放回的抽取训练集，得到k个相互独立的训练集，每次使用一个训练集得到一个模型，k个训练集共得到k个模型，若为分类问题，则将上步得到的k个模型采用投票的方式得到分类结果；若为回归问题，计算上述模型的均值作为最后的结果(所有模型的重要性相同)。

发明内容

本发明公开了一种融合Bagging的XGboost慢性肾病分期预测算法。该算法在XGboost算法基础上，引入Bagging集成学习算法，将许多通过XGboost算法学习到的弱分类器通过一定的规则，组合成一个强分类器。在规则的制定上，引入“投票”机制，即“少数服从多数”原则，每个弱分类器都具有投票权且重要性相同，弱分类器器投出最多票数的类别或者类别之一为最终类别。

附图说明

图1为本发明一种融合Bagging的XGboost慢性肾病分期预测算法的原理图；

图2为本发明Bagging算法实现过程图；

具体实施方式

下面结合附图和实施对本发明进一步说明。

如图1所示，本发明公开了一种融合Bagging的XGboost慢性肾病分期预测算法，该算法在XGboost算法基础上，引入Bagging集成学习算法，通过对原始样本进行k轮集中有放回的抽取训练集，得到k个相互独立的训练集，将每个训练集通过XGboost算法学习到的弱分类器通过一定的规则，组合成一个强分类器。在规则的制定上，引入“投票”机制，即“少数服从多数”原则，每个弱分类器都具有投票权且重要性相同，弱分类器器投出最多票数的类别或者类别之一为最终类别。

图2是本发明Bagging算法实现过程图，通过从原始样本进行k轮集中有放回的抽取训练集，得到k个相互独立的训练集，每次使用一个训练集得到一个模型，k个训练集共得到k个模型，若为分类问题，则将上步得到的k个模型采用投票的方式得到分类结果；若为回归问题，计算上述模型的均值作为最后的结果(所有模型的重要性相同)。