[发明专利]基于局部学习特征权重选择的医疗数据分类方法及装置

摘要

本发明公开了一种基于局部学习特征权重选择的医疗数据分类方法，首先根据训练样本集得到样本的属性值，根据属性值利用梯度下降的权重更新方式计算属性对应的权重向量，因此可以保证收敛性，可以较快地达到算法的停止准则，减少计算时间，降低计算复杂度；根据计算出的权重向量进行特征选择得到最优特征集，将待评估数据样本进行标准化后再最优特征子集中进行特征选择，再将特征选择后的待评估数据样本进行分类就可以使数据样本实现降维，因此本发明实施例提供的方法实现降维的同时又降低了计算的复杂度，减少了计算时间。本发明还提供了一种基于局部学习特征权重选择的医疗数据分类装置，同样可以实现上述技术效果。

主权项

一种基于局部学习特征权重选择的医疗数据分类方法，其特征在于，包括：S101：获取医疗数据的第一样本集，得到第一样本属性；S102：设置所述第一样本属性的初始权重向量，将所述初始权重向量作为本次权重向量；S103：通过梯度下降的更新方式对本次权重向量进行更新，得到迭代一次后的下次权重向量；S104：判断确定规则是否成立，若是，则将所次权重向量作为最终权重向量，执行S105；若否，则将下次权重向量作为本次权重向量，返回S103；其中||wt+1‑wt||≤θ为确定规则，wt为本次权重向量，wt+1为下次权重向量，θ为停止准则；S105：根据所述最终权重向量进行特征选择，得到特征索引子集；S106：将所述第一样本集根据所述特征索引子集进行特征选择，得到特征选择后的第二样本集；S107：获取第一待评估数据，并根据所述特征索引子集进行特征选择得到第二待评估数据；S108：在所述第二样本集上对第二待评估数据进行分类，得到分类结果。