检索结果-南通市图书馆

检索条件"主题词=机器学习分类模型"

共 2 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于机器学习模型的DNA甲基化与患者特征的预测研究

基于机器学习模型的DNA甲基化与患者特征的预测研究

引用

作者：张晏濒上海师范大学

学位级别：硕士

本文选取吸烟和非吸烟患者的部分DNA甲基化的芯片数据及相应的年龄、性别等表型数据,探究不同的Cp G位点信息值等患者特征与其吸烟生活习惯的关联,并基于各组芯片数据应用机器学习分类预测模型对患者是否有吸烟行为进行预测。首先对于... 详细信息

本文选取吸烟和非吸烟患者的部分DNA甲基化的芯片数据及相应的年龄、性别等表型数据,探究不同的Cp G位点信息值等患者特征与其吸烟生活习惯的关联,并基于各组芯片数据应用机器学习分类预测模型对患者是否有吸烟行为进行预测。首先对于数据进行探索性分析,发现数据集特征和需要处理的部分,以此进行异常值处理、WOE编码等数据预处理工作。对于数据集特征处理部分,引入拓扑数据分析方法挖掘高维特征的潜在信息。数据清洗后对于分类变量进行标签变换,绘制柱状图观察不同表观特征患者的吸烟情况,发现吸烟与非吸烟样本量不均衡,采用SMOTE上采样方法人工制造数据使得二分类样本数均衡。对于预处理后的数据应用递归特征消除RFE结合交叉验证CV进行特征筛选,得到最佳特征数为16。使用逻辑回归、支持向量机、支持向量机(核方法)、朴素贝叶斯、随机森林、神经网络、KNN等机器学习分类算法模型,对其进行预测,应用准确率、精确率、召回率、F1值以及其AUC值等分类模型评价指标对构造的模型进行对比评价。结果表明,SMOTE重采样后的模型准确率都有所下降,模型F1值都有所上升,各个模型的AUC值均在0.5到0.7之间,逻辑回归、SVM(核方法)、朴素贝叶斯模型的准确率较高,其中朴素贝叶斯模型的值为0.7061,高于其余六个分类模型;随机森林模型预测结果的精确度(0.7005)较好;朴素贝叶斯模型的召回率(0.6035)在上述模型中最高,模型学到正例的能力较强,其F1-score为0.7358,AUC面积为0.6755,仍具有一定的相对优势。整体来说,支持向量机(核方法)、朴素贝叶斯、神经网络的分类算法预测效果较好。朴素贝叶斯模型表现出更优的性能,故可选择该模型进行患者特征的分类预测探究。

关键词： DNA甲基化 TDA 特征筛选机器学习分类模型分类模型评价

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于机器学习的上市公司财务预警研究

基于机器学习的上市公司财务预警研究

引用

作者：赵宏强山东师范大学

学位级别：硕士

为给我国制造企业在应对和防范风险方面提供一定的决策依据,本文以我国A股制造业上市公司为研究样本,使用上市公司2019年(第T-3年)和2020年(第T-2年)各项财务特征数据的平均值,来预测其在2022年(第T年)的财务风险状况,最终建立了我国制... 详细信息

为给我国制造企业在应对和防范风险方面提供一定的决策依据,本文以我国A股制造业上市公司为研究样本,使用上市公司2019年(第T-3年)和2020年(第T-2年)各项财务特征数据的平均值,来预测其在2022年(第T年)的财务风险状况,最终建立了我国制造业上市公司的最优财务预警模型。首先,在数据预处理的过程中,依次完成了对缺失值、异常值及重复值的检测与处理,其中对于异常值,本文变相地使用机器学习中的孤立森林异常检测算法进行检测,结果证明该算法的效果较好;在数据探索性分析的过程中,分别对连续型特征变量、离散型目标变量及其关系进行了分析与可视化,从而对数据有了更进一步的了解。其次,为了对比分析,本文分别采用Borderline-SMOTE过采样和SMOTE-ENN综合采样两种算法对预处理后的数据集进行平衡化处理,进而得到两个平衡数据集,接着分别对这两个平衡数据集依次使用了3种方法进行特征筛选,并进行主成分特征降维,最终分别得到了每组各16个主成分,将其作为下一步建立财务预警模型的特征变量。再次,基于上述两组每组各16个主成分及其所对应的目标变量,分别利用机器学习模型依次建立了财务预警单一模型和集成模型,并对其预警效果进行横向比较和纵向比较;横向比较结果显示,相比于Borderline-SMOTE过采样法,当使用SMOTE-ENN综合采样法进行数据的不平衡处理时,财务预警模型的分类效果更好;而纵向比较结果显示,在基于Borderline-SMOTE过采样后的数据集上,分类效果最好的模型为Light GBM模型;在基于SMOTE-ENN综合采样后的数据集上,分类效果最好的模型为BP神经网络模型。最后,在财务预警单一模型和财务预警集成模型的基础上,分别建立起Stacking财务预警融合模型,并且经过对比分析后探索得到了本文的最优财务预警模型,即基于SMOTE-ENN综合采样法下的Stacking财务预警融合模型,其准确率为96.86%、F1值为97.32%、AUC为98.98%;经过与同类研究中得到的最优模型进行对比后,验证了本文得到的最优模型是有效的,同时其泛化能力较强,没有发生过拟合现象,模型较为稳定。

关键词：财务预警孤立森林数据不平衡处理机器学习分类模型

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：