【高脂血症分类特征选择算法研究】 高脂血症能治好吗
时间：2019-05-03 03:16:47 来源：雅意学习网 本文已影响 人 
摘要：以高脂血症文献分类为背景，通过对传统特征选择算法的研究，结合特征出现概率、特征与类别的相关度，提出一种基于二类信息差值的特征选择方法。使用该算法及k近邻距离分类法在高脂血症文献数据集上进行分类，实验显示该算法优于文档频率和信息增益，可提高文本分类的查准率。
关键词：高脂血症；文本分类；特征选择
中图分类号：TP391文献标识码：A文章编号：1009-3044(2012)15-3656-03
Research of Feature Selection in Hyperlipidemia Classification
HUANG Zhi-Hang, ZHANG Qi-Rui
(College of Medical Information Engineering, Guangdong Pharmaceutical University, Guangzhou 510006, China)
Abstract: To improve the classification performance of hyperlipidemia documents, a feature selection method based on two-class informa? tion variance is proposed. This method combines the feature frequency with the correlation of characteristics and categories. Using the kNN algorithm as the classification method, the experiment shows that the new method outperforms document frequency and informant gain. It can effectively improve the classification accuracy.
Key words: Hyperlipidemia; Text Classification; Feature Selection
高脂血症是中老年的常见病、多发病，调查显示，我国成人血脂异常患病率为18.6%，估计目前全国血脂异常患病人数约为2.4亿[1]。预防和治疗高脂血症是国内外研究的热点课题，每天都有成百上千篇相关文献出版[2]。随着Intemet信息量的迅猛增加，加大了人们获取有效信息的难度，使得人们无法快速查找到最新的信息，从而造成了时间、资金和精力的巨大浪费。面对网上海量的信息，文本分类应运而生。
在文本分类中，文本表示为向量空间的形式时，训练文本集中的特征项可能多达数万个。中文文本数据属于非结构化数据，在没进行任何处理的情况下，表示文本的特征空间的维数高达几万甚至是几十万。即便是在经过了文本预处理（停用词过滤、低频词过滤等），特征空间依然有很高的维数。过多的特征词会导致样本统计和计算变得更加困难，极易产生“维数灾难”的问题[3]。在一定的分类算法下，过高的特征维数不但不能够提高分类的精度，反而可能在降低分类精度的同时导致效率低下。因此，在文本分类的过程中，对特征进行选择显得至关重要。本文通过研究高脂血症文献的特征选择算法,对不同的特征选择算法的分类性能进行比较,并做出进一步的改进。
除了改进的特征选择方法，实验得出的结论与现有的研究并无冲突，这也从侧面上证明DF&MI的有效性。然而本次实验还存在一些不足。第一，实验数据的不完善，选择不同的数量的文本、不同的类别数得出来的实验数据有一定的差距。第二，基于计算条件有限，实验并不是采用分类效果更佳的实验手段（分类效果更好的分类器及特征权重赋值，需要更高要求的计算条件）进行的，这也从一定程度影响了实验的效果。虽然实验有所不足，但这些不足并不影响各个分类特征选择算法的效果的对比。本次实验是有效的。同时，直接将改进的特征选择算法应用到高脂血症文献的分类上，具有很强的实用价值。
