[发明专利]一种处理有缺失值和不平衡非小细胞肺癌数据的二分类方法

权利要求书

1.一种处理有缺失值和不平衡非小细胞肺癌数据的二分类方法，其特征在于：包括以下步骤：首先，对数据进行预处理，用中位数填充缺失值比例低于70％的样本，删除缺失值比例超过70％的样本，运用Tukey’s method方法剔除掉异常值，使用离差标准化对数据进行规范化处理；其次，采用结合了过采样和欠采样组合的SMOTEENN综合采样方法进行数据平衡用于解决数据集中的类别不平衡问题；最后，平衡后的数据集用来训练随机森林分类器，并在测试集上测试分类效果，以此实现有效针对具有缺失值和类别不平衡问题的非小细胞肺癌生存预测二分类方法。

2.根据权利要求1所述的处理有缺失值和不平衡非小细胞肺癌数据的二分类方法，其特征在于：所述处理有缺失值和不平衡非小细胞肺癌数据的二分类方法的具体步骤如下：

Step1、缺失值处理：对于数据集中缺失值比例低于70％的样本进行补齐，采用中位数对缺少的部分进行填充，删除缺失值比例高于70％的样本；

Step2、异常值处理：数据集中存在的异常值会影响到对总体数据的分析，因而需要剔除，采用Tukey’s method方法检测出并剔除掉离群点即异常值；

Step3、数据归一化：当变量具有不同的尺度和范围时，归一化是重要的，否则，算法将偏向具有更大尺度的变量，因此使用min-max对数据进行标准化；

Step4、数据不平衡处理：类别不平衡在分类过程中具有至关重要的影响，当多数类的比重过大时，分类器往往会偏向多数类同时也具有好的分类准确率，但此时的分类效果无法得到正确的评价，因而采用结合了过采样和欠采样组合的SMOTEENN综合采样方法进行平衡处理；

Step5、获得平衡数据集：数据进行平衡处理后形成新的平衡数据集，增加少数类的数量，以实现类的平衡，提高分类器效果的可评价性；

Step6、数据集划分：采用10折交叉验证方法划分数据集，对于10折交叉验证，将实验数据随机分成10个子集；在每个实验中，一个子集用作测试集，其余9个子集用作训练集；

Step7、训练分类器：基于数据进行分类器训练，在训练集上使用随机森林训练分类器，同时也使用了朴素贝叶斯NB、支持向量机SVM和决策树DT对原始数据集构建了分类器；

Step8、实现分类方法：训练了分类器后，在测试集上得到对非小细胞肺癌数据的二分类结果。