基于改进SMOTE方法的急性肾损伤早期预测

"Application of improved SMOTE method in early prediction of Acute Kidney Injury" 概述 本文探讨了急性肾损伤早期预测的改进方法，旨在解决样本量少、阳性样本和阴性样本数量不平衡等问题。该方法结合改进的SMOTE方法和Biased-SVM方法，通过合成少数类样本、降低样本间的不平衡度、赋予被错分的样本不同的惩罚系数，最后对Biased-SVM的关键参数进行优化。实验结果表明，该方法能有效提高阳性样本的识别率。 SMOTE方法 SMOTE（Synthetic Minority Over-sampling Technique）是一种常用的过采样技术，用于解决样本不平衡问题。该方法通过生成人工样本，来增加少数类样本的数量，减少样本间的不平衡度。但是，传统的SMOTE方法存在一些缺陷，例如生成的样本可能不具有代表性、增加了计算复杂度等。为此，作者提出了改进的SMOTE方法，旨在解决这些问题。 Biased-SVM方法 Biased-SVM（Biased Support Vector Machine）是一种基于支持向量机的分类算法。该方法通过赋予不同的惩罚系数，来解决样本不平衡问题。但是，传统的Biased-SVM方法存在一些缺陷，例如需要手动调整惩罚系数、计算复杂度高等。为此，作者提出了结合改进的SMOTE方法和Biased-SVM方法的急性肾损伤早期预测方法。 改进的SMOTE方法 作者提出的改进的SMOTE方法，旨在解决传统SMOTE方法存在的一些问题。该方法通过生成人工样本，来增加少数类样本的数量，降低样本间的不平衡度。同时，作者还提出了基于惩罚系数的优化方法，来提高阳性样本的识别率。 实验结果 作者对该方法进行了实验，结果表明，该方法能有效提高阳性样本的识别率。实验结果显示，该方法的准确率高于其他方法，证明了该方法的有效性。 结论 本文提出的急性肾损伤早期预测方法，结合改进的SMOTE方法和Biased-SVM方法，能有效解决样本不平衡问题，提高阳性样本的识别率。该方法具有良好的实用价值，能够为临床医生提供有价值的参考依据。 关键词 急性肾损伤、SMOTE、Biased-SVM、样本不平衡、机器学习。 参考文献 [1] Chawla N V, Bowyer K W, Hall L O, et al. Smote: Synthetic minority over-sampling technique[J]. Journal of Artificial Intelligence Research, 2002, 16(1): 321-357. [2] Yang X, Song X, Wang X. Biased support vector machine for imbalanced data classification[J]. Journal of Intelligent Information Systems, 2013, 40(2): 271-287. [3] Kotsiantis S, Kanellopoulos D, Pintelas P. Handling imbalanced datasets: A review[J]. Journal of Intelligent Information Systems, 2006, 26(2): 143-155.