[发明专利]一种基于随机森林模型特征空间拟合的病情预测方法

权利要求书

1.一种基于随机森林模型特征空间拟合的病情预测方法，其特征在于：包括以下步骤:

步骤S1，构建初始预测模型并采集样本数据，从医疗系统大数据库中得到病症的相关特征对象作为样本数据，所述特征对象包括心情类特征对象和环境类特征对象，心情类特征对象包括多巴胺含量、乙酰胆碱含量和茶酚胺类物质含量，环境类特征对象包括温度、湿度、空气流通度和紫外线强度；在样本数据获取过程中，对样本数据进行精细化处理得到第一数据集合，并将第一数据集合代入到初始模型中；特征对象在获取时，根据用户的病重情况对特征对象进行分级选择，若用户没有明显病症，则间隔固定时间段实时采集用户特征对象的数据；若用户已经确认患有病症，则对用户进行体验度分级和理化参数分级设置，并分不同的时间段采集数据；体验度分级为，根据用户的病症确诊结果，对用户的身体状况实际感受进行分级，分为轻微、一般、严重这三个等级；理化参数分级为，根据用户病症的检查结果，对检测项的理化参数设置权重，对于所有病症，基于现有的用来判定确认这种病症的所有参数统称为理化参数；

步骤S2，对第一数据集合的特征变量进行重要性排序，然后采用序列前向选择算法拟合初始模型空间得到随机森林预测模型；

步骤S3，采集用户数据，将用户数据代入到随机森林预测模型中得到预测结果。

2.根据权利要求1所述的一种基于随机森林模型特征空间拟合的病情预测方法，其特征在于：所述对第一数据集合的特征变量进行重要性排序包括以下内容：

通过装袋技术从样本数据中抽取样本作为子样本集；

从子样本集的特征空间中随机选择得到子样本特征空间，并利用子样本特征空间训练得到一个决策树；

计算第一袋外样本误差，选择第j个特征，并对变量重排序，然后计算第二袋外样本误差；

分别计算出所有特征变量的重要性，并对所有特征变量的重要性标准化，然后输出特征变量重要性排序。

3.根据权利要求1所述的一种基于随机森林模型特征空间拟合的病情预测方法，其特征在于：所述采用序列前向选择算法拟合初始模型空间包括以下内容：

初始化特征集合和剩余特征集合，并给定评估函数；

从剩余特征集合中选择特征加入特征集合，并利用评估函数进行评估，若预测结果更准确，则将该特征保留在特征集合中，反之则移除该特征；

所有剩余特征均处理完毕后，输出最终特征集合。

4.根据权利要求1所述的一种基于随机森林模型特征空间拟合的病情预测方法，其特征在于：所述对样本数据进行精细化处理为，根据用户的病重情况对特征对象进行分级选择，若用户没有明显病症，则间隔固定时间段实时采集用户特征对象的数据；若用户已经确认患有病症，则对用户进行体验度分级和理化参数分级设置，并分不同的时间段采集数据。

5.根据权利要求4所述的一种基于随机森林模型特征空间拟合的病情预测方法，其特征在于：所述体验度分级为，根据用户的病症确诊结果，对用户的身体状况实际感受进行分级。

6.根据权利要求4所述的一种基于随机森林模型特征空间拟合的病情预测方法，其特征在于：所述理化参数分级为，根据用户病症的检查结果，对检测项的理化参数设置分级区间。

7.根据权利要求6所述的一种基于随机森林模型特征空间拟合的病情预测方法，其特征在于：所述理化参数至少包括第一参数、第二参数和第三参数，且三个参数均偏离正常值范围才判定用户患有病症。

8.根据权利要求1所述的一种基于随机森林模型特征空间拟合的病情预测方法，其特征在于：所述采集样本数据的过程中，根据用户的具体病情对理化参数的参考权重进行动态调整。

9.根据权利要求1所述的一种基于随机森林模型特征空间拟合的病情预测方法，其特征在于：所述采集样本数据时，动态获取用户距离现在N时间段内的数据，且N根据用户的具体致病原因动态调整。