Stacking算法在医疗健康数据中的应用研究

摘 要：文章分析了基于Stacking的算法框架，提出了一种基于Stacking的集成学习算法，在两种疾病数据集上，实验结果表明，该方法性能良好。

关键词：集成学习;随机森林;堆栈

1    分类挖掘技术在疾病辅助诊断上的应用

近年来，越来越多的学者将分类挖掘技术应用于疾病的輔助诊断上，如刘文博等[1]提出了一种迭代随机森林算法，对糖尿病数据进行预测。金强等[2]提出，应用改进的BP神经网络算法，提高乳腺癌诊断准确率。本文提出了一种基于堆栈的集成学习算法，应用于肝脏疾病和皮肤疾病数据的分类预测，为临床诊断、个人健康提供有效的决策依据与帮助。

2    基于Stacking的集成学习算法

Stacking通常是一个两层结构：0层和1层。0层在底层，选择训练多个不同类型的基础分类器生成元级数据;1层应用元级数据训练形成元分类器。元数据通过K折交叉验证的过程生成，由基础分类器对输入实例的预测结果和实例的真实类标号组成。其中，基础分类器的输出有两种方式：类标号、类概率分布。研究证明，基于类概率分布的Stacking算法性能比较好。学者们提出了许多基于类概率分布的Stacking算法，如Stacking-MLR等[3]和Stacking-MDT等[4]。本文选择基础分类器输出的类概率分布作为元数据的组成部分，并选择Randomforest（RF）作为元分类器，构建集成算法Stacking-RF。

3    数据集与评价准则

实验在两个公共数据集上进行，包括肝脏疾病数据集（Hepatitis）和皮肤疾病数据集（Dermatology）。两个实验数据集信息如表1所示。

实验采用准确率衡量集成算法的性能。准确率表示正确分类实例数与全体实例数的比值。

4    实验与分析

实验选择的3个基础分类器：NaiveBasye（NB），SimpleLogistic（SL）和J48，元分类器为Randomforest（RF），实验数据如表2所示。

从表2可以看出，本文提出的集成算法Stacking-RF在准确率性能指标上，均优于3个个体分类器NaiveBasye，SimpleLogistic和J48。如在Hepatitis，Stacking-RF优于准确率最高的个体分类器SimpleLogistic 0.8%。同样，在数据集Dermatology，Stacking-RF均优于3个个体分类器。因此，本文提出的集成算法Stacking-RF在两种疾病数据集上表现了良好的性能。

5    结语

首先，本文详细分析了基于Stacking的算法框架;其次，提出了一种基于Stacking的集成学习算法;最后，在两种疾病数据集上进行实验，结果表明，本文提出的集成算法性能表现良好。

[参考文献]

[1]刘文博，梁盛楠，秦喜文，等.基于迭代随机森林算法的糖尿病预测[J].长春工业大学学报，2019（6）：604-611

[2]金强，高普中.人工神经网络在乳腺癌诊断中的应用[J].中国普外基础与临床杂志，2019（5）：625-630.

[3]TING K M，WITTEN I H.Issues in stacked generalization[J].Journal of Artificial Intelligence Research，1999（10）：271-289.

[4]TODOROVSKI L，DZEROSKI S.Combining multiple models with meta decision trees[C].Paris：4th European Conference on Principles of Data Mining and Knowledge Discovery，2000.

[6]袁梅宇.数据挖掘与机器学习-WEKA应用技术与实践[M].北京：清华大学出版社，2010.

作者简介：丁伟民（1979— ），男，汉族，山东潍坊人，讲师，硕士;研究方向：计算机应用技术。