-
公开(公告)号：CN104615894A
公开(公告)日：2015-05-13
申请号：CN201510078452.6
申请日：2015-02-13
Applicant: 上海中医药大学
Abstract: 本发明提供一种基于k近邻标签特定权重特征的中医诊断方法及系统，以解决上述问题。上述方法包括以下步骤：按照预设权重确定策略获取不同类别下事例的特征数据权重信息；根据不同类别下事例的特征数据权重信息，获取任意两个事例的加权欧几里得距离并选择预设数目加权欧几里得距离最小的事例；对选择的所述事例采用k近邻标签特定权重特征多标记学习方法即ML-LSWAKNN进行处理，获取所述事例对应的评价指标，充分考虑了特征加权对分类的影响，大大提高了分类的精度。
-
公开(公告)号：CN107292097B
公开(公告)日：2020-02-04
申请号：CN201710445511.8
申请日：2017-06-14
Abstract: 本发明公开了一种基于特征组的中医主症选择方法，包含以下步骤：1、对原始特征集进行筛选；2、利用特征聚类算法对筛选后的特征集进行聚类，得到相应的特征组；3、向每一个特征组引入一个隐变量，得到相应的隐类模型，计算隐变量与标签之间的相关性；4、根据隐变量与标签之间的相关性从大到小对特征组进行排序；步骤5、将排序后的特征组依次加入被选特征子集，建立含有隐变量的贝叶斯网络；6，计算贝叶斯网络的分类准确率，进而得到加入的特征组个数与分类准确率的曲线，通过判断曲线的收敛或者最高准确率得到相应的最优特征子集。本发明以特征组为选择目标，由多个特征所组成的特征组具有对原始数据更好的表示能力。
-
公开(公告)号：CN104615894B
公开(公告)日：2018-09-28
申请号：CN201510078452.6
申请日：2015-02-13
Applicant: 上海中医药大学
Abstract: 本发明提供一种基于k近邻标签特定权重特征的中医诊断方法及系统，以解决上述问题。上述方法包括以下步骤：按照预设权重确定策略获取不同类别下事例的特征数据权重信息；根据不同类别下事例的特征数据权重信息，获取任意两个事例的加权欧几里得距离并选择预设数目加权欧几里得距离最小的事例；对选择的所述事例采用k近邻标签特定权重特征多标记学习方法即ML‑LSWAKNN进行处理，获取所述事例对应的评价指标，充分考虑了特征加权对分类的影响，大大提高了分类的精度。
-
公开(公告)号：CN107292097A
公开(公告)日：2017-10-24
申请号：CN201710445511.8
申请日：2017-06-14
Abstract: 本发明公开了一种基于特征组的特征选择方法，及中医主症选择方法，包含以下步骤：1、对原始特征集进行筛选；2、利用特征聚类算法对筛选后的特征集进行聚类，得到相应的特征组；3、向每一个特征组引入一个隐变量，得到相应的隐类模型，计算隐变量与标签之间的相关性；4、根据隐变量与标签之间的相关性从大到小对特征组进行排序；步骤5、将排序后的特征组依次加入被选特征子集，建立含有隐变量的贝叶斯网络；6，计算贝叶斯网络的分类准确率，进而得到加入的特征组个数与分类准确率的曲线，通过判断曲线的收敛或者最高准确率得到相应的最优特征子集。本发明以特征组为选择目标，由多个特征所组成的特征组具有对原始数据更好的表示能力。
-
-
-
Search Results
4
records
(took 0.016 seconds)
