Comparative Study on SVM and LUSI for Classification of Chronic Diseases

作     者：RAHIM SADDAM 

作者单位：海南大学 

学位级别：硕士

导师姓名：邵元海

授予年度：2023年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：高危疾病预测诊断 机器学习 统计不变量 非平衡数据 

摘      要：当前的世界面临着许多严重的问题,其中之一便是对人类社会中高危疾病的病发风险预测。在临床实践中,疾病预测研究需要获取一些重要信息,例如相关数据,以便能够正确且及时地诊断某些疾病。目前,许多研究尽管已经使用了一些机器学习工具来达到这个目的,但是由于各种原因,例如缺乏适当的数据、数据不均衡、多数和少数类之间的不平衡,或者使用不恰当的不变量来分析数据,这些工具的效果并不理想。由于缺乏这些数据所代表的具体含义,正确的诊断和分类变得十分困难,这可能导致全球许多患有高危疾病的群体只能面对死亡。在最近的研究中,针对不同疾病的案例(如心脏病、糖尿病、肾脏病和帕金森病),研究人员正在使用机器学习技术解决高危疾病预测问题。机器学习技术是一种新兴技术,以克服这些问题。本研究为了解决这个问题,提出了再平衡的算法模型LUSI(使用再平衡的统计不变量进行学习),并且与LSSVM方法进行比较。通过使用F-Measures、GMeans和平均精度等指标对结果性能进行评估。研究结果表明,针对心脏病、糖尿病、肾脏病和帕金森病,LUSI的平均准确率分别为99.65%、74.26%、99.82%和92.31%。相比之下,使用LSSVM在这些疾病的评估中表现相对较低,其准确率分别为99.60%、64.88%、72.65%和72.65%。实验结果表明,LUSI方法在高危疾病数据集上表现良好,这是由于该算法模型能够完美地估计数据比例,利用特征组合的信息进行学习。因此,当前的研究得出结论,LUSI是一种有效的方法,可用于正确诊断多种不同的疾病,包括心脏病、糖尿病、肾脏病和帕金森病。