预测慢性肾病：分类算法和特征选择

医学信息学解锁24（2021）100631使用不同的方法预测慢性肾脏疾病分类算法Khaled Mohamad Almustafa沙特阿拉伯利雅得苏丹王子大学计算机和信息系统学院信息系统系A R T I C L EI N FO保留字：慢性肾脏病（CKD）预测分类K-最近邻随机森林决策表灵敏度分析和特征选择A B S T R A C T慢性肾脏病（CKD）是一种常见的肾功能问题，可导致肾功能恶化并导致肾衰竭。在许多情况下，确定肾功能的早期诊断方法是必不可少的，也是极其重要的。在本研究中，不同的分类器被应用于CKD数据集的分类。应用随机树、决策表、K-最近邻、J 48、随机梯度下降和朴素贝叶斯分类器，提出了一种基于特征选择的CKD病例预测模型。结果表明，J48和决策表分类器优于其他分类器，准确率为99%，ROC分别为0.999和0.992，MAE分别为0.0225和0.1815，RMSE分别为0.0807和0.2507。选择分类器的敏感性分析，以评估这些分类器的性能与它们的参数的变化。J48和决策表分类器优于所有其他分类器，准确率为99%，RMSE为0.0807，0.2507。此外，结果表明K-NN（K= 1）的分类性能有所增强当应用特征选择方法时，朴素贝叶斯和决策表分类分别增强到99.75%、98.25%和99.25%，并且只有少数特征用于CKD数据集的分类，其中这种增强可以增加价值并支持提供的医疗保健，以使用所呈现的所选特征在早期1. 导言和相关工作一个常见的肾功能问题是慢性肾脏疾病（CKD），这会导致不必要的和越来越多的有害液体和废物在血液中积累，损害身体。肾功能的这种破坏导致肾衰竭，有时甚至导致死亡，因此在许多情况下，检测肾功能的早期诊断方法是必不可少的。许多研究人员致力于CKD数据集通过应用ML技术来更好地理解此类疾病的分类。以前[1最小优化（SMO）分类器。在以前的研究[5]中，作者使用SVM和人工神经网络（ANN）分类算法在准确性和构建时间方面取得了良好的结果在另一项研究中[6]，作者还在CKD数据集上使用神经网络来实现对CKD数据集的高准确性分类。在之前的研究[7]中，作者使用排序算法进行未来选择建立CKD数据集预测模型，并使用逻辑回归（LR）和决策森林分类器来减少CDK数据集的特征[8]。其他研究[9，10]使用投票特征区间和AdaBoost分类算法进行CKD分类。在另一项研究中提出了使用ADTree和K-Star分类算法预测CKD [11]。之前定义了CKD数据集分类的精度和常规参数[12]，另一项研究证明了CKD预测的处理时间缩短[13]。在另一项研究中检查了Simple Cart和REPTree分类器[14]，使用这些分类器对CKD数据集进行分类显示了合理的结果。研究人员[15]显示了使用不同分类算法对CKD数据集进行的一些竞争性分析的良好结果，另一项研究[16]产生了用于CKD预测的有效特征选择模型。使用K-Mean和A-Priori算法研究肾衰竭数据集[17]，并对CKD数据集进行MeSH预测[18]。作者[19]使用降维算法，如独立成分分析（ICA）和主成分分析（PCA），检查单个CKD患者并披露了所用时间。分级聚类算法电子邮件地址：kalmustafa@psu.edu.sa。https://doi.org/10.1016/j.imu.2021.100631接收日期：2021年5月4日;接收日期：2021年6月2日;接受日期：2021年2021年6月5日在线发布2352-9148/©2021的作者所有发表通过Elsevier 公司这是一个开放接入文章下的CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）中找到。可在ScienceDirect上获得目录列表医学信息学期刊主页：www.elsevier.com/locate/imuK.M. Almustafa医学信息学解锁24（2021）1006312=+预测CKD的风险水平[20]，并改进了肾小球滤过率（GFR）检测以检测CKD患者[21]。作者[22]使用检测CKD数据集的不可见模式的方法进行分类，并建立了预测CKD专利的预测模型[23]。文献中的其他研究人员使用了类似的方法，在本文中前面提到的分类器分类各种应用程序除了CKD相关的工作。其中一些应用与健康相关[24，25]，作者使用K-NN分类器进行癫痫检测，并提出混合机器学习方法用于检测癫痫发作。其他非健康相关应用使用特征选择方法来预测混沌原油时间序列[26]，神经网络混合模型用于风速预测[27]。提出了随机森林识别模型[28]，并将支持向量机方法用于金融时间序列预测[29]。参考文献[30]中提出了许多不同的机器学习算法来预测太阳辐射，KNN分类器用于识别车牌[31]。2. 方法预测模型，如本文中提出的仅监测患者所需测试的某些特征的预测模型，将是对当前可用的用于这种诊断的预测工具的巨大且有效的补充。许多研究人员对分析CKD数据集表示出兴趣，以开发可能和有效的模型，帮助医疗保健提供者监测潜在的CKD患者。机器学习（ML）算法在这些方法中占有相当大的份额，并已广泛应用于许多与医疗保健相关的疾病，产生了许多可靠和富有成效的模型来帮助医疗保健提供者。本文采用朴素贝叶斯、随机梯度下降、随机树、J48、K近邻和决策表等ML分类器对CKD数据集进行分类，并展示了这些分类器的不同性能。将分类子集评估器应用于这些分类器，以构建CKD数据集的预测模型，并在对不同分类算法应用特征选择方法后评估分类器性能。特征选择模型将帮助医疗保健提供者在早期阶段识别和预测CKD病例。这些预测模型的性能进行了评估，并比较了这些分类器在这两种情况下，特征选择，并取得了可喜的成果，三种不同分类器的准确性，主要是天真的贝叶斯，K-NN（K1)决策表。据我们所知，文献中没有任何工作描述了CKD数据集的分类和特征部分和/或敏感性分析，这是这项工作的主要贡献，我们希望增加价值并支持所提供的医疗保健，以基于本文特征选择部分本文其余部分的结构如下：第3节包含慢性肾脏疾病数据集的准备，第4节介绍结果和讨论，第5节包含结论和未来的工作。3. 慢性肾脏疾病（CKD）数据集的准备CKD数据集[32]是在两个月的时间内选择的，由400个实例（样本）组成，其中250个是CKD患者，150个是健康参与者。 每个实例包含24个类别属性，11个数字和14个名义，基于血液和尿液测试的测量数据，或通过回答所有样本的调查。在本文中，我们应用不同的分类算法对现有的CKKD数据集进行最佳分类，然后我们实现了一个基于不同分类算法的特征选择模型，使用分类子集评估器来选择最佳的可能 模型为 特征 减少 到 突出 的 最有用表1CKD数据集属性。属性首字母缩略词使用值1年龄2血压年龄BP毫米/汞柱3比重SG1.005、1.010、1.015、1.020、1.0254白蛋白al0，1，2，3，4，55个糖苏0，1，2，3，4，56红细胞RBC正常，不正常7个脓细胞PC正常，不正常8个脓细胞团块PCC在场，不在场9细菌BA在场，不在场10例血糖随机BGR毫克/分升11血尿素步毫克/分升12血清肌酐SC毫克/分升13钠sodmEq/L14钾锅mEq/L15血红蛋白hemoGMs16填充细胞体积PCVmEq/L17白细胞计数WC细胞/累积18红细胞计数RC百万/厘米19高血压HTN是的20糖尿病DM是的21冠状动脉疾病CAD是的第二十二 章食欲阿佩好的，差的23例踏板水肿PE是的24例贫血ane是的25级类ckd，notckdFig. 1. 每个年龄组的参与者人数。每个分类器的属性（特征）以增加分类准确性。表1显示了每个实例的所有可用属性，本文的结果和讨论部分提供了应用特征选择模型后所选特征的其他详细信息。使用10倍的常用交叉验证方法对400个样本进行分析，然后将分类算法应用于不同的分类器，以确定它们在分类CKD数据集时的性能。对于特征选择，使用子集评估器分类器对使用不同分类器的可用CKD特征预测模型进行分类，以提高预测CKD病例数据集的某些选定特征图1显示了参与者年龄组的分布，这是正态分布。4. 结果和讨论本节提供了应用不同分类算法对CKD数据集进行分类时获得的结果。在参数分析中，对KNN的K值、SGD的学习率和正则化参数进行了调整，并根据这些参数的选择，然后，K.M. Almustafa医学信息学解锁24（2021）1006313==表2不同的分类结果。分类器使用精度%ROC MAE RMSE时间（S）K-NN（K=1）95.75 0.966 0.0450.2056 0.01朴素贝叶斯95 1.00 0.0479 0.2046 0.01粤ICP备05018888号-1随机树95.5 0.995 0.045 0.1677 0.01新加坡元98.25 0.986 0.0175 0.1323 0.02决定表表3统计测量所用分类器的值。使用分类器平均F-得分平均召回率平均精度K-NN（K=1）0. 958 0. 958 0. 962朴素贝叶斯0.951 0.950 0.956J48 0.990 0.990随机树0.955 0.955 0.9560.983 0.983 0.983决定表图二. 分类的准确性图三. MAE和RMSE分类结果。对CKD数据集的可用属性进行选择，以得出疾病预测模型。使用WEKA软件解决方案，版本3.8.4。新西兰汉密尔顿怀卡托大学，在windows 10 pro、Intil® core（TM）i5 CPU、4 GB RM、64位操作系统上运行。除非根据本文的敏感性分析章节4.1. 使用不同分类对慢性肾病数据集使用不同的分类算法，结果见表2。表2表明，使用交叉验证方法的J48和决策表分类器优于用于对慢性肾病数据集进行分类的其他分类器。与J 48和决策表分类器一起使用的分类器是朴素贝叶斯分类器、具有K 1的K-NN、随机树分类器和随机梯度下降（SGD）分类器。结果表明，J48和决策表分类器优于这些分类器，准确率为99%，ROC分别为0.999和0.992，MAE分别为0.0225和0.1815，RMSE分别为0.0807和0.2507。上述结果的视觉表示如图所示。 2和图 3、精度和误差性能。图四、所用分类器的统计测量。4.2. 统计测量在本节中，我们提出了许多统计指标来确定用于对CKD数据集进行分类的分类器的可靠性，主要是平均F分数，其测量样本平均值之间的变化/样本之间的变化，并且F分数越高，分类越好，如表3所示和表3所示，并交叉引用表2的分类准确度。另一个提出的措施是召回，这是相对于阳性病例和假阴性（被归类为错误）总数的阳性病例的百分比的计算。最后是平均精度，它衡量不同样本的估计值彼此之间的接近程度。与F-度量的情况类似，召回率和精度越高，所使用的分类器越好。平均值是相对于阳性和阴性情况的平均值取的。表3示出了所使用的组合物的所获得的统计测量值。分类器，并且如前所述，呈现的值越高，所使用的分类算法越好。我们从本文所示的结果中确认，并将其与表2中所示的准确度结果交叉引用，J48和决策表分类算法的性能优于其他所示算法，F分数为0.999，平均召回率为0.999，平均精度为0.999。表3所示结果的直观表示见图3。 四、4.3. ROC和AUC表示在本节中，我们给出了该实验的受试者特征算子（ROC）的曲线下面积（AUC），这是一种可视化工具，可用于根据计算的ROC曲线下面积来识别所使用的分类器是否是适当的分类器。值越接近1，在考虑其他度量的同时分类越好，正如我们在下面的部分中可以看到的，并且表4中呈现了所使用的分类器的这些图的表示。我们可以从表3中所示的图中看到，这些分类器中的大多数具有在0.986-1范围内的高AUCK.M. Almustafa医学信息学解锁24（2021）1006314==表4使用的分类器的AUC值的ROC曲线，X轴为真阳性，Y轴为假阳性。a. K-NN（K= 1）的ROC曲线，ROC下面积=0.966 b.ROC下面积=1的朴素贝叶斯ROC曲线C. J48的ROC曲线，ROC下面积=0.99 d。随机树的ROC曲线，ROC下面积=0.995e. SGD的ROC曲线，ROC下面积=0.986 f.ROC下面积=0.992的决策表的ROC曲线表5所用分类器的混淆矩阵[233 17][ 230 20][ 2491]的一种表6KNN分类器的分类精度和ROC值随K值K值准确度ROC0 150a. K-NN（K= 1）的混淆矩阵X0 150b. 朴素贝叶斯的混淆矩阵3 147c. J48混淆矩阵X1 95.75 0.0453 94.74 0.0055 93.75 0.0685[237 13][ 243 7][2491]792.5 0.08465 145d. 混淆矩阵x0 150e. 混淆矩阵x3 147f. 混淆矩阵x随机树SGD决策表表5显示了所使用的混淆矩阵的值。ROC的AUC高，这就是为什么大多数曲线在每个图的左上角几乎都有三角形份额。表4（d，f）中的失真和表4（a，e）中的轻微偏移是由于每个分类器在少数情况下的不确定性。关于表4（b），即使ROC 1的AUC准确度为95%，由于表4（a）放大图像中某些样本的一些不确定性，在蓝色和黄色点之间，我们必须查看本文中提供的其他测量，如MAE，F-测量等。4.4. 混淆矩阵对于CKD数据集分类的最佳分类器，使用以下混淆矩阵符号TP FP[FN TN]其中TP是被预测/分类为阳性病例的阳性病例的真阳性，FP是被分类为阴性病例的阳性病例的病例，TN是负值被分类为阴性病例的病例，FN是负值被分类为阳性病例的病例。F-Cases是阳性或阴性情况的错误分类。分类器，如上所述，并采取的情况下，为K-NN（K 1）， 例如，我们可以从表5（a）中看到，233是被归类为阳性病例的阳性病例的TP 17是阳性病例被归为阴性病例的FP，这是对阳性病例的错误分类150是分类为阴性病例的阴性病例的数目的TN（100%），0是分类为阳性病例的阴性病例的FN（在这种情况下，0%误差）。图五. K-NN分类器精度性能。K.M. Almustafa医学信息学解锁24（2021）1006315===表7SGD分类器在学习率方面的准确性和MAELR准确度%MAE0.01 98.250.05 97 0.030.1 97.250.5 97.25 0.02750.9 98.5 0.0150.99 98.75表8特征选择精度结果。具有选择属性的分类器精度K-NN（K¼1）95.75 99.753，4，6，15朴素贝叶斯95.00 98.253，4，5，15，22J4899 88 1，2，4随机树95.5 84.25 1，2，15新加坡元98.25 97 2，3，4，15，18决策表99 99.253，4，5，15图六、 表4MAE结果的视觉表示。图7.第一次会议。 SGD分类器相对于LR的准确率百分比。4.5. 参数敏感性通过改变其K值的K-NN分类器和通过改变其学习率和正则化参数的SGD分类器的参数敏感性被确定，以查看这些分类器的准确性性能由于这些变化。4.5.1. k近邻将不同的K值应用于K-NN分类器，以评估给定慢性肾脏疾病数据集的分类准确度，如表6所示。随着K-NN分类器的K值增加，表6显示，当K值在1 ~ 9范围内变化时，准确率从95.234%下降到91.71%。图5示出了所获得的结果的线表示。4.5.2. 随机梯度下降在本节中，我们通过改变SGD分类器的学习率和正则化参数来评估SGD分类器的性能，以确定这些变化对慢性肾脏疾病数据集分类的准确性性能。4.5.3. 学习率（LR）SGD算法的收敛性受学习率参数的影响，采用支持向量机作为损失函数，通过设定λ，得到以下结果0.0001. 表7显示SGD分类器准确度性能和MAE值的结果见图8。 表8的准确度结果。通过在0.01和0.99之间改变LR值。图6示出了表7中针对SGD分类器针对不同LR值的平均绝对误差获得的结果，并且改变LR对SGD分类器针对慢性肾脏疾病数据集的分类的MAE值具有很大影响。图7示出了针对SGD分类器的不同LR值的表64.5.4. 正则化参数（c1/λ）SGD分类器的正则化参数（RP）也会影响过拟合模型，λ是惩罚项。SGD分类器的性能是使用支持向量机作为损失函数，将LR设置为0.01，并在0.0001和0.1之间改变λ。当改变RP参数时，SGD分类器的性能没有变化。4.6. 特征选择不同的子集评估器用于可用CKD数据集的特征选择，以选择与数据集相关的最小属性（特征），并且仍然以疾病预测的形式高精度地执行CKD的分类和诊断。分类器子集评估方法作为特征部分方法来执行，以测量所生成的子集的质量，从而在根据特征部分方法选择相关属性之后测量分类器输出。表9e x特征编号属性注释3比重尿样4白蛋白血液样品5糖血液样品6红细胞血液样品15血红蛋白蛋白水平22食欲行为25类类K.M. Almustafa医学信息学解锁24（2021）1006316==表10特征选择结果的比较。分类器方法准确度%ROCMaeRMSE平均F评分平均召回平均精度朴素贝叶斯所有特征951.000.04790.20460.9510.9500.956Var> 5097.670.9890.03480.16180.9680.9880.970随机树所有特征95.50.9950.0450.16770.9550.9550.956Var> 5095.750.9780.05830.19920.9580.9580.958见图9。来自表9的一些结果的视觉表示。分类算法应用特征选择时的分类准确度结果如表8所示。在表8中可以看到分类准确度的增强性能，其中当特征选择方法以针对朴素贝叶斯的准确度K-NN（K）应用于分类器属性时，所呈现的分类器的分类准确度得到合理的增强第一章和决策表分类器从95%，95.75%和99%之前和之后的特征（属性）选择分别应用到98.25%，99.75%和99.25%，这些结果的视觉表示如图所示。8.第八条。表9示出了所选择的一组特征（属性），其以最少数量的特征提供了增强的分类准确度，并且仅使用由血液和尿液样本组成的一组5个属性而不是使用完整CKD数据集的22个特征使用了另一种特征选择方法，主要是方差阈值特征选择方法，该方法应用于可用Var> 50的阈值的数值属性。 只有18个功能可用的25个中的一个是相关的，并且使用朴素贝叶斯和随机树分类器使用CKD数据集进行预测获得了相似的（如果不是稍微更好的话）分类结果，如表10所示。表10显示了上述结果。仅使用25个特征中的18个特征产生可接受的结果，实现了0.970和0.958的分类精度，0.988和0.958的召回率，0.968和0.958的F-测量，受试者工作特征曲线（ROC）。平均绝对误差（M.A.E. ）为0.989和0.978。在0.0348和0.0583之间， 均方根误差（R.M.S.E.）的0.1618和0.1992，和97.67%和95.75的准确率分别为朴素贝叶斯和随机树分类器，与较早获得的结果与选择的全功能。它产生了更好的结果比子集评估方法用于随机树的情况下，几乎相同的性能的朴素贝叶斯分类器。 图 9显示了所获得结果的视觉表示。5. 总结和今后的工作在本文中，不同的分类器被应用于CKD数据集的分类。算法采用随机树、K-近邻（K-NN）、J 48、随机梯度下降（SGD）、决策表（DT）和朴素贝叶斯分类算法，并提出了一个预测模型的基础上的特征选择，以有效地预测CKD病例。结果表明，J48和决策表分类器优于所有其他分类器用于慢性肾脏疾病数据集的分类，准确率为99%，ROC分别为0.999和0.992，MAE分别为0.0225和0.1815，RMSE分别为0.0807和0.2507。对其中一些分类器进行了敏感性分析，以研究分类性能，从而根据某些参数的变化对CKD数据集进行分类。使用不同的子集评估器对可用CKD数据集进行特征提取，以选择与数据集相关的最小属性（特征），并且在疾病预测方面仍以高准确度进行CKD的分类和诊断。结果表明，朴素贝叶斯、K-NN（K 1）和决策表分类器的分类准确率分别从应用特征选择之前的95%、95.75%和99%提高到98.25%、99.75%和99.25%，并且对于CKD病例的预测，使用所选择的5个属性的集合而不是数据集的全部22个属性可以实现这样的准确度。不同类型的分类算法可以应用在这项研究中，作为这项工作的扩展，并评估它们的性能，改变他们的一些参数的条款也可能是一个有趣的功能.资金没有为这项工作提供资金数据和材料本 研 究 中 使 用 的 慢 性 肾 脏 病 数 据 集 来 自 公 开 数 据 集 ：https://archive.ics.uci.edu/ml/datasets/Chronic_Kidney_Disease。竞合利益作者声明，他们没有已知的可能影响本文所报告工作确认作者要感谢苏丹王子大学，利雅得，KSA，支持这个项目。引用[1] GharibdoustiMaryam Soltanpour，Azimi Kamran，Hathikal Saraswathi，Won DaeH. 使用数据挖掘技术预测慢性肾脏疾病In：IIE年度会议。诉讼工业和系统工程师协会（IISE）; 2017年。p. 2135- 40[2] Alasker Haya，Alharkan Shatha，Alharkan Wejdan，Amal Zaki，Lala SeptemRiza. 使用各种智能分类器检测肾脏疾病。2017第三届信息技术科学国际会议（ICSITech）IEEE;2017. p. 681- 4[3] 夏尔马·萨希尔夏尔马·维诺德夏尔马·阿图尔慢性肾脏疾病诊断的各种机器学习分类技术的基于性能的评估。2016. arXiv预印本arXiv：1606.09581。[4] 阿罗拉·米兰迪普夏尔马·阿贾伊慢性肾脏病检测分析weka中的医疗数据集。 Int J Comput Appl 2016;6（4）：20-6.[5] 作者：JiangS，Jiang S，Jiang M. 使用SVM和ANN算法预测肾脏疾病。IntJComput Bus Resear（IJCBR）2015;6（2）：1-12.K.M. Almustafa医学信息学解锁24（2021）1006317[6] LakshmiKR，Nagesh Y，Veera Krishna M. 三种数据挖掘技术预测肾透析存活率的性能比较。IntJ Adv EngTechnol 2014;7（1）：242.[7] Tazin Nusrat，Sabab Shahed Anzarus，Chowdhury Muhammad Tawfiq.使用有效的分类和特征选择技术诊断慢性肾脏病。上一篇：2016年医学工程、健康国际会议信息技术（MediTec）。IEEE; 2016.p. 1比6[8] Gunarathne WHSD，Perera KDM，Kahandawaarachchi KADCP.通过慢性肾脏病（CKD）数据分析进行疾病分类和预测的机器学习分类技术的性能评估。2017年，IEEE第17届生物信息学与生物工程国际会议（BIBE）IEEE; 2017. p. 291- 6[9] Chabathula Krupa Joel，Jaidhar CD，Kumara MA Ajay.基于主成分分析的入侵检测方法与机器学习算法的比较研究。2015第三届信号处理国际会议通信和网络（ICSCN）。IEEE; 2015.p. 1比6[10] Charleonnan Anusorn，Fufaung Thipwan，Niyomwong Tippawan，Chokchueypattanakit Wandee，Suwannawach Sathit，Ninchawee Nitat.使用机器学习技术进行慢性肾脏疾病的预测分析。2016管理与创新技术国际会议（MITicon）。麻省理工80 IEEE;2016.[11] Baby P Swathi，Panduranga Vital T.使用机器学习算法进行统计分析和预测肾脏疾病。IntJ Eng Res Technol 2015;4（7）.[12] 辛哈·帕鲁尔辛哈·普纳姆KNN和SVM在慢性肾脏病预测中的比较研究。 Int JEng Res Technol 2015;4（12）：608-12.[13] Radha N，Ramya S.预测慢性肾脏疾病的机器学习算法的性能分析。Int JComput Sci Eng Open Access 2015;3：72-6.[14] Kalmegh Sushilkumar.分析WEKA数据挖掘算法REPTree，SimpleCART和RandomTree用于印度新闻分类。 国际创新科学与工程杂志Technol 2015;2（no. [2]：438-46.[15] 索拉布·尼基莎，纳吉斯·坦齐拉。使用有效特征选择进行慢性病预测。IntJRecent Technol Eng 2019年7月;8（2）。ISSN：2277-3878。[16] Pratibha Devishri S，Ragin OR，Anisha GS.慢性肾脏病分类算法的比较研究。 Int J Recent Technol Eng 2019年5月;8（1）。ISSN：2277-3878。[17] 乔杜里·阿努，加格·普尼特。通过患者监测系统检测和诊断疾病。国际机械工程信息技术2014;2. 06.[18] 威尔伯·W·约翰，金·元。“随机梯度下降和PubMed记录的MeSH预测。” 年度研讨会记录。AMIA研讨会14十一月. 2014;2014. 1198 -207.[19] Kaur Guneet Sharma Ajay使用数据挖掘预测慢性肾脏疾病Hadoop中的算法2017年创新计算与信息学国际会议（ICICI）IEEE; 2017.p. 973-9[20] Chimwayi Kerina Blessmore，Haris Noorie，Caytiles Ronnie D，N Iyengar N Ch S.使用神经模糊和层次聚类算法预测慢性肾脏疾病的风险水平。IntJ MultimediaUbiquitous Eng 2017年8月23-36. https://doi.org/10.14257/ijmue.2017.12.8.03网站。[21] Polat Huseyin，Mehr Homay Danaei，Cetin Aydin.基于特征选择方法的支持向量机诊断慢性肾脏病。医学系统杂志2017;41（4）：55。[22] 泽努·西拉格帕蒂尔·施鲁蒂慢性肾脏病预测的研究进展数据挖掘分类技术和特征选择。 Int J Pure Appl Math2018;118（8）：149-56.[23] LakshmiKR，Nagesh Y，Veera Krishna M. 三种数据挖掘技术预测肾透析存活率的性能比较。IntJ Adv EngTechnol 2014;7（1）：242.[24] 夏米拉阿肖克，马丹赛比，斯利瓦斯塔瓦凯杰里。癫痫检测使用基于离散小波变换的Hurst指数和SVM、K-NN分类器。 Serbian J E X p Clin Res23Feb 2019;19（Issue 4）：311-9. https://doi.org/10.1515/sjecr-2017-0043网站。[25] 放大图片作者：SubasiAbdulhamit，Kevric Jasmin，Abdullah Canbaz M.癫痫发作检测使用混合机器学习方法。神经计算应用2019;31（1）：317-25.[26] Karasu Seçkin，Altan Aytaidan，Bekiros Stelios，Ahmad Wasim.原油混沌时间序列多目标优化特征选择与包装预测模型。能源2020;212：118750。[27] 作者：Altan A，Karasu S，Zio E提出了一种结合长短期记忆神经网络、分解方法和灰狼优化算法的混合风速预测模型。Appl Soft Comput2021;100：106996.[28] Karasu，S.和Altan，A.，基于随机森林的太阳辐射时间序列特征选择识别模型2019年11月，第11届电气和电子工程国际会议（ELECO），pp。8-11. IEEE..[29] 阿尔坦·艾塔奇卡拉苏·塞奇金支持向量机核值对金融时间序列预测性能的影响。JCogn Syst 2019;4（1）：17-21.[30] Karasu Seckin，Altan Aytac，Sarac Zehra，Hacioglu Rifat. 太阳能预测基于机器学习方法的辐射。 J Cogn Syst 2017;2（1）：16-20.[31] Karasu Seçkin，Altan Aytaidan，Sarac Z，Hacioglu R.基于直方图的KNN方法车牌识别。In：ICAT; 2017. p. 一比四[32] https://archive.ics.uci.edu/ml/datasets/Chronic_Kidney_Disease网站。