一种基于高相关性特征集选择技术的病历大数据分类方法

胡俊承

（桂林医学院，桂林 541001）

0 引言

分类是根据需求对数据进行最有效使用的分组过程。数据分类可分为两个步骤，学习过程和分类过程。有效的分类技术可以帮助人们非常轻松地检索到需要的数据，本文将以庞大的病例数据分类为例。不同的疾病可采取不同的治疗方法，治疗方法取决于病人自身的健康标准。处理如此繁复的病例数据需要巨大的工作量，分层学习方法在处理这些数据时表现可圈可点，在过去的研究当中有所体现。L.Cai and T.Hofmann[1]提出将支持向量机（SVM）标准分类与分层方法相结合，提高支持向量机分类精度，减少支持向量机测试的计算量。T.Gao and D.Kollar[2]探讨了层次聚类在高维生物医学光谱分类中的有效性。

然而分层学习的性能很大程度上取决于特征选择的质量。特征子集选择按照评价标准和方法的不同可分为四种类型，分别为过滤式（Filter）[3]、封装式（Wrapper）、混用式（Hybrid）和嵌入式（Embeded）。利用过多的特征进行分类会导致性能瓶颈，因此正确谨慎地选择特征子集显得尤为重要。本文设计了一种基于高相关性特征选择技术的过滤式特征选择方法，可以更正确有效地结合分层学习识别较好的特征子集，提高对病例数据中宫颈癌信息分类的性能。

1 分层学习方法

在对高维病历进行分类时，采用分层学习的方法可以得到较好的分类结果。该分类器以特征作为输入，从宫颈癌数据集中检索各种类别的记录，包括患者信息和宫颈癌疾病的治疗信息。对于分类高维病历，分层学习算法体现出更好的性能。在此实验中，分类器将从病例数据检索出的特征作为输入。首先评估患者治疗类别之间的类别间相关性，评估过程可以以一下方程式定义

2 高相关特征集选择（HCFS）算法

这里我们设计一个高相关特征集选择（HCFS）算法以及步骤。使用这一算法可以帮助系统选择更合适的特征，这一算法可与已有的分层学习算法相结合，使得数据分类性能得到提升。图1大致描述了HCFS算法的工作原理。

其输入为病例数据集（D）以及特征和类标签（f1，f2，f3……c1，……cn），输出为特征子集（s）。该算法首先设置相关阈值（t），该阈值是通过查找特征和类标签之间的关联来估计的。寻找特征之间相关性（fi，fj），特征与类之间相关性（fi，cj），相关值（v）。然后将属性或特征表示为节点，将估计的相关值作为边缘权重（e1，e2，……，en），在此基础上形成决策树。

通过将相关值与初始设定的预定义阈值进行比较，对构建的树进行划分。如果计算出的相关值（v）＜阈值（t），则该特定边缘将被排除。

在此过程之后，将生成特性集群（称为簇），从这组特征中可以确定簇头。该算法从宫颈癌数据集中检索出高质量的特征簇，并将这些特征输入到分层学习方法中运算，以获得更好的分类性能。

图1 HCFS算法的工作原理

3 实验结果

在表1中，实验对两种不同的分类方法进行精确性的比较。实验采用宫颈癌的治疗数据作为数据集，对比结合HCFS的分层学习算法与单一的分层学习算法，可以明显得看出在不同的病人分类中，结合了HCFS的分层学习算法的精确度都有明显地提升。

表1 结合HCFS的分层学习算法与分层学习算法的精确度对比

4 结束语

已有的分层学习算法虽然在分类上效率较高，但是性能受制于所选的特征。HCFS算法可为分层学习算法确定质量更可靠的特征子集，使得分类性能有所提高，尤其是应用在大规模数据分析中。本文设计了一种基于分层学习技术结合HCFS的算法，应用在病例宫颈癌数据的分类问题。实验的统计结果验证了本文算法的有效性，并使得分类性能得到提高。