[发明专利]基于stacking算法的妊娠糖尿病预测方法

权利要求书

1.基于stacking算法的妊娠糖尿病预测方法，其特征在于，所述包括以下步骤：

S1、患病数据收集；

S2、数据处理；

S3、特征分析与特征构造；

S4、构造最优子集；

S5、单集成预测模型构建；

S6、模型融合；

S7、融合模型与单模型预测性能分析与对比。

2.根据权利要求1所述的基于stacking算法的妊娠糖尿病预测方法，其特征在于：所述步骤S1、患病数据收集中，收集便携式计算机，通过便携式计算机登录阿里云医疗数据库，收集阿里云医疗真实数据，记录患病数据备份。

3.根据权利要求1所述的基于stacking算法的妊娠糖尿病预测方法，其特征在于：所述步骤S2、数据处理中，选用合适的数据预处理方法处理缺失值，处理和选择特征来构成特征子集，使构成的特征子集能在算法上表现更好的效果，以及构造有效的特征子集，选出对妊娠糖尿病有影响的特征变量作为模型的输入变量，使计算的复杂度简化并提升模型的预测效果。

4.根据权利要求1所述的基于stacking算法的妊娠糖尿病预测方法，其特征在于：所述步骤S3、特征分析与特征构造中，分别对比步骤S2、数据处理中异常值处理和缺失值处理，对数据进行数据处理及分析。

5.根据权利要求1所述的基于stacking算法的妊娠糖尿病预测方法，其特征在于：所述步骤S4、构造最优子集中，选取S3、特征分析与特征构造中，最优数据构建子集。

6.根据权利要求1所述的基于stacking算法的妊娠糖尿病预测方法，其特征在于：所述步骤S5、单集成预测模型构建中，用集成学习算法构建预测模型来预测妊娠糖尿病，以及根据数据集特点对模型参数进行调优，分别建立XGBoost、随机森林、catboost、逻辑回归四个单集成妊娠糖尿病预测模型，并通过实验调参使单集成模型的预测效果达到最佳。

7.根据权利要求1所述的基于stacking算法的妊娠糖尿病预测方法，其特征在于：所述步骤S6、模型融合中，结合步骤S5、单集成预测模型构建中XGBoost、随机森林、catboost、逻辑回归四者的优点，弥补不足，选择两层stacking集成学习框架进行模型融合，选取XGBoost、随机森林与catboost这三种模型当做模型融合的基模型作为训练，并得出预测结果，将预测结果作为特征，应用到逻辑回归模型中进行训练，训练出最终预测模型。

8.根据权利要求1所述的基于stacking算法的妊娠糖尿病预测方法，其特征在于：所述步骤S7、融合模型与单模型预测性能分析与对比中，将步骤S6、模型融合中的预测结果与步骤S5、单集成预测模型构建中四种单集成预测模型预测结果进行汇总，对AUC值进行比较，验证融合模型的预测表现是否优于其他模型。