Використання індексів крові для прогнозування статусу зайвої ваги Підхід, що базується на екстремальній навчальній машині

Філіальний коледж фізики та електронної інформаційної інженерії, Університет Веньчжоу, Веньчжоу, Китай, Ключова лабораторія символьних обчислень та інженерії знань Міністерства освіти, Університет Цзілінь, Чанчунь, Китай

Філіальний коледж комп'ютерних наук і технологій, Університет Цзілінь, Чанчунь, Китай, Ключова лабораторія символьних обчислень та інженерії знань Міністерства освіти, Університет Цзілінь, Чанчунь, Китай

Філіальний коледж фізики та електронної інформаційної інженерії Університету Веньчжоу, Веньчжоу, Китай

Партнерський коледж фармацевтичних наук, медичний університет Веньчжоу, Веньчжоу, Китай

Аптечний фармацевтичний відділ, Перша афілійована лікарня Медичного університету Веньчжоу, Веньчжоу, Китай

Хілінг Чен,
Бо Ян,
Дайу Лю,
Веньбінь Лю,
Янлун Лю,
Сюхуа Чжан,
Люфен Ху

Цифри

Анотація

Статистичний аналіз проводили за допомогою програмного забезпечення SPSS 17. ІМТ, вік, кров та біохімічні показники двох груп аналізували одностороннім тестом ANOVA для виявлення статистичних відмінностей. У таблиці 2 наведено детальний статистичний опис. Кореляцію між ІМТ з кров'ю та біохімічними показниками аналізували за допомогою тесту Спірмена. Значення р, що були менше 0,05 (рівень значущості 5%), вважали статистичною значимістю у всіх аналізах.

Методи

1. Оцінка Фішера

Оцінка Фішера [21] є одним із найбільш часто використовуваних та ефективних методів зважування контрольованих ознак. Він визначає найбільш дискримінаційні ознаки відповідно до критерію рибалки. Враховуючи набір даних з n примірників xi, yi>, де означає, що вхідний простір ознак має m ознак, а yi ∈ c> - відповідні мітки класів. Оцінку m-го ознаки можна безпосередньо виміряти наступним чином: (1) де ni позначає кількість випадків у класі i, а μ m - середнє значення класу i та загальне середнє значення, що відповідає m-му функція відповідно. і σ m означають дисперсію класу i та глобальну дисперсію, що відповідає m-й ознаці, відповідно. Відповідно до рівняння (1), більша величина оцінки означає, що m-та ознака має більшу дискримінаційну силу між різними класами.

2. Екстремальна навчальна машина (ELM)

Цей розділ містить короткий опис ELM; див. [12, 22] для отримання додаткової інформації. Враховуючи навчальний набір даних із N зразків, xi ∈ R n є вхідним вектором ознак з n ознаками, а ti ∈ R m представляє цільовий вектор із m розмірами. Вихід ELM можна записати таким чином [12]: (2) де g (x) - функція активації, k - кількість прихованих нейронів, βi - вектор ваги між i-м прихованим нейроном та вихідним шаром, wi - вектор ваги між i-м нейроном у прихованому шарі та вхідним шаром, і bi вказує на зміщення i-го нейрона у прихованому шарі, oj - цільовий вектор j-го вхідного даних. Якщо ELM може апроксимувати ці N вибірки з нульовою помилкою, ми можемо отримати. Вищевказане рівняння можна переформулювати таким чином: (3) де H [23] являє собою вихідну матрицю прихованого шару нейронної мережі: (4) β = [β1, ⋯, βk] T - матриця вихідних ваг із прихованого шар до вихідного шару, а T = [t1, ⋯, tN] T позначає вектори цільових міток. Згідно з припущенням, що [24, 25] вхідні ваги та упередженість прихованого шару одиночної нейронної мережі з прямим прихованим шаром (SLFN) можуть бути довільно надані, вихідні ваги β можуть бути аналітично визначені Муром-Пенроузом (MP) узагальнене обернене до матриці H, як показано в наступному рівнянні: (5)

Використовуючи зворотний метод MP, можна досягти ефективності узагальнення ELM із різко збільшеною швидкістю навчання [22].

3. Запропонований метод

Навчальний набір ← під-набори k-1;

Набір перевірки ← залишилася підмножина;

Поступово оцінюйте характеристики за допомогою оцінки Фішера

Навчіть класифікатор ELM на кожному підмножині ознак fi із найвищими за рейтингом характеристиками, використовуючи варіацію кількості прихованих нейронів та типу функцій активації;