本發(fā)明涉及醫(yī)療診斷領域，更具體地說，涉及一種基于局部學習特征權重選擇的醫(yī)療數(shù)據(jù)分類方法及裝置。
背景技術：
：隨著人工智能的發(fā)展，計算機技術也在醫(yī)療領域中起到了重要的作用，實現(xiàn)醫(yī)療領域中的人工智能。計算機技術與眾多領域的人類醫(yī)學專家的大量權威知識經(jīng)驗相融合，開發(fā)出醫(yī)療診斷系統(tǒng)，可以有效地解決各種臨床問題，起到了輔助醫(yī)生診斷的作用。在醫(yī)療診斷系統(tǒng)中，引入了dna微陣列技術，即基因芯片，應用基因芯片就可以在同一時間定量的分析大量的基因表達數(shù)據(jù)的水平，通過這些數(shù)據(jù)就可以研究生物的本質。但是由于dna微陣列技術的發(fā)展，導致了基因表達數(shù)據(jù)的爆炸性增長，在這些大量的基因表達數(shù)據(jù)中選擇出重要的基因，對于現(xiàn)有技術提出了新的挑戰(zhàn)。局部超平面(localhyperlane，lh-relief)算法可以實現(xiàn)對大量基因表達數(shù)據(jù)進行降維，即篩選掉沒有用的基因表達數(shù)據(jù)，選擇出重要的基因，減小冗余度的問題。但是該算法對含有噪聲的數(shù)據(jù)以及高位數(shù)據(jù)的應用中，收斂性不能得到保證，導致算法的計算復雜度高。因此，如何實現(xiàn)對大量基因數(shù)據(jù)降維的同時，降低算法的計算復雜度，是本領域技術人員需要解決的問題。技術實現(xiàn)要素：本發(fā)明的目的在于提供一種基于局部學習特征權重選擇的醫(yī)療數(shù)據(jù)分類方法，以實現(xiàn)對大量基因數(shù)據(jù)降維的同時降低算法的計算復雜度。為實現(xiàn)上述目的，本發(fā)明實施例提供了如下技術方案：一種基于局部學習特征權重選擇的醫(yī)療數(shù)據(jù)分類方法，包括：s101：獲取醫(yī)療數(shù)據(jù)的第一樣本集，得到第一樣本屬性；s102：設置所述第一樣本屬性的初始權重向量，將所述初始權重向量作為本次權重向量；s103：通過梯度下降的更新方式對本次權重向量進行更新，得到迭代一次后的下次權重向量；s104：判斷確定規(guī)則是否成立，若是，則將所次權重向量作為最終權重向量，執(zhí)行s105；若否，則將下次權重向量作為本次權重向量，返回s103；其中||wt+1-wt||≤θ為確定規(guī)則，wt為本次權重向量，wt+1為下次權重向量，θ為停止準則；s105：根據(jù)所述最終權重向量進行特征選擇，得到特征索引子集；s106：將所述第一樣本集根據(jù)所述特征索引子集進行特征選擇，得到特征選擇后的第二樣本集；s107：獲取第一待評估數(shù)據(jù)，并根據(jù)所述特征索引子集進行特征選擇得到第二待評估數(shù)據(jù)；s108：在所述第二樣本集上對第二待評估數(shù)據(jù)進行分類，得到分類結果。優(yōu)選地，所述獲取醫(yī)療數(shù)據(jù)的第一樣本集，得到第一樣本屬性，包括：獲取醫(yī)療數(shù)據(jù)的第一樣本集，得到第一樣本屬性，并對所述第一樣本集進行離差標準化處理；優(yōu)選地，所述通過梯度下降的更新方式對本次權重向量進行更新，得到迭代一次后的下次權重向量，包括：通過規(guī)則對本次權重向量進行更新，得到迭代一次后的下次權重向量wt+1，j(w)為優(yōu)化目標函數(shù)，通過最大化j(w)＝(zit+1)twt+1計算得到。優(yōu)選地，所述獲取第一待評估數(shù)據(jù)，并根據(jù)所述特征索引子集進行特征選擇得到第二待評估數(shù)據(jù)，包括：獲取第一待評估數(shù)據(jù)，進行離差標準化處理，并根據(jù)所述特征索引子集進行特征選擇得到第二待評估數(shù)據(jù)。優(yōu)選地，在所述第二樣本集上對第二待評估數(shù)據(jù)進行分類，得到分類結果，包括：在所述第二樣本集上對第二待評估數(shù)據(jù)利用k近鄰分類器進行分類，得到分類結果。一種基于局部學習特征權重選擇的醫(yī)療數(shù)據(jù)分類裝置，包括：第一樣本集獲取模塊，用于獲取醫(yī)療數(shù)據(jù)的第一樣本集，得到第一樣本屬性；初始權重限量設置模塊，用于設置所述第一樣本屬性的初始權重向量，將所述初始權重向量作為本次權重向量；下次權重向量獲取模塊，用于通過梯度下降的更新方式對本次權重向量進行更新，得到迭代一次后的下次權重向量；判斷模塊，用于判斷確定規(guī)則是否成立，若是，則將所述下次權重向量作為最終權重向量，調用特征索引子集獲取模塊；若否，則將下次權重向量作為本次權重向量，調用所述下次權重向量獲取模塊；其中確定規(guī)則為||wt+1-wt||≤θ，wt為本次權重向量，wt+1為下次權重向量，θ為停止準則；所述特征索引子集獲取模塊，用于根據(jù)所述最終權重向量進行特征選擇，得到特征索引子集；第二樣本集獲取模塊，用于將所述第一樣本集根據(jù)所述特征索引子集進行特征選擇，得到特征選擇后的第二樣本集；第二待評估數(shù)據(jù)獲取模塊，用于獲取第一待評估數(shù)據(jù)，并根據(jù)所述特征索引子集進行特征選擇得到第二待評估數(shù)據(jù)；分類模塊，用于在所述第二樣本集上對第二待評估數(shù)據(jù)進行分類，得到分類結果。優(yōu)選地，所述第一樣本集獲取模塊具體用于：獲取醫(yī)療數(shù)據(jù)的第一樣本集，得到第一樣本屬性，并對所述第一樣本集進行離差標準化處理。優(yōu)選地，所述下次權重向量獲取模塊具體用于：通過規(guī)則對本次權重向量進行更新，得到迭代一次后的下次權重向量wt+1，j(w)為優(yōu)化目標函數(shù)，通過最大化j(w)＝(zit+1)twt+1計算得到。優(yōu)選地，所述第二待評估數(shù)據(jù)獲取模塊具體用于：獲取第一待評估數(shù)據(jù)，進行離差標準化處理，并根據(jù)所述特征索引子集進行特征選擇得到第二待評估數(shù)據(jù)。優(yōu)選地，所述分類模塊具體用于：在所述第二樣本集上對第二待評估數(shù)據(jù)利用k近鄰分類器進行分類，得到分類結果。通過以上方案可知，本發(fā)明實施例提供的一種基于局部學習特征權重選擇的醫(yī)療數(shù)據(jù)分類方法，首先根據(jù)訓練樣本集得到樣本的屬性值，根據(jù)屬性值利用梯度下降的權重更新方式計算屬性對應的權重向量，因此可以保證收斂性，可以較快地達到算法的停止準則，減少計算時間，降低計算復雜度；根據(jù)計算出的權重向量進行特征選擇得到最優(yōu)特征集，將待評估數(shù)據(jù)樣本進行標準化后再最優(yōu)特征子集中進行特征選擇，再將特征選擇后的待評估數(shù)據(jù)樣本進行分類就可以使數(shù)據(jù)樣本實現(xiàn)降維，因此本發(fā)明實施例提供的方法實現(xiàn)降維的同時又降低了計算的復雜度，減少了計算時間。本發(fā)明還提供了一種基于局部學習特征權重選擇的醫(yī)療數(shù)據(jù)分類裝置，同樣可以實現(xiàn)上述技術效果。附圖說明為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術中的技術方案，下面將對實施例或現(xiàn)有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖1為本發(fā)明實施例公開的一種醫(yī)療數(shù)據(jù)分類方法流程圖；圖2為本發(fā)明實施例公開的一種醫(yī)療數(shù)據(jù)分類裝置結構示意圖；圖3為本發(fā)明實施例公開的一種醫(yī)療數(shù)據(jù)分類方法與lh-relief的收斂結果對比圖。圖4為本發(fā)明實施例公開的一種醫(yī)療數(shù)據(jù)分類方法與lh-relief的平均性能性能對比圖。具體實施方式下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。參見圖1，本發(fā)明實施例公開了一種基于局部學習特征權重選擇的醫(yī)療數(shù)據(jù)分類方法。具體地：s101：獲取醫(yī)療數(shù)據(jù)的第一樣本集，得到第一樣本屬性。具體地，獲取醫(yī)療數(shù)據(jù)的第一樣本集得到第一樣本集的樣本屬性，作為第一樣本屬性。其中xi∈ri，yi∈{1,2,...,c}是xi的標簽，表明xi的類別，n是訓練樣本的個數(shù)，i是樣本的維數(shù)，c是類別總數(shù)。s102：設置所述第一樣本屬性的初始權重向量，將所述初始權重向量作為本次權重向量。具體地，設置初始權重向量w0＝[1/i,1/i,...,1/i]t，其中t為迭代次數(shù)，當前t＝0，即沒有開始迭代，將初始權重向量w0作為本次權重向量wt。s103：通過梯度下降的更新方式對本次權重向量進行更新，得到迭代一次后的下次權重向量。具體地，進行一次迭代，即將本次權重向量wt使用梯度下降的更新方式進行一次更新，得到下次權重向量wt+1。s104：判斷確定規(guī)則是否成立，若是，則將所次權重向量作為最終權重向量，執(zhí)行s105；若否，則將下次權重向量作為本次權重向量，返回s103；其中確定規(guī)則為||wt+1-wt||≤θ，wt為本次權重向量，wt+1為下次權重向量，θ為停止準則。具體地，設置一個停止準則θ，并判斷||wt+1-wt||≤θ是否成立，如果成立，則將下次權重向量wt+1作為最終權重向量w，w＝[w1,w2,...,wi]t∈r,進行s105；如果不成立，則將下次權重向量wt+1作為本次權重向量wt，并返回s103，進行新的一次迭代。s105：根據(jù)所述最終權重向量進行特征選擇，得到特征索引子集。具體地，根據(jù)最終權重向量w通過分類精度進行特征選擇，得到對應的特征索引子集實現(xiàn)對第一樣本的特征降維，從而減少計算量以及計算時間。s106：將所述第一樣本集根據(jù)所述特征索引子集進行特征選擇，得到特征選擇后的第二樣本集。具體地，將第一樣本集根據(jù)特征索引子集進行特征選擇，得到第二樣本集其中每一個樣本xi∈r|f|，|f|＜i。s107：獲取第一待評估數(shù)據(jù)，并根據(jù)所述特征索引子集進行特征選擇得到第二待評估數(shù)據(jù)。具體地，獲取第一待評估數(shù)據(jù)樣本x，x∈ri，當前樣本x未進行降維處理，樣本維數(shù)為i。將數(shù)據(jù)樣本根據(jù)特征索引子集進行特征選擇，得到第二待評估數(shù)據(jù)x′。s108：在所述第二樣本集上對第二待評估數(shù)據(jù)進行分類，得到分類結果。具體地，在第二樣本集對第二待評估數(shù)據(jù)x′進行分類，得到分類結果，得到分類結果?？梢岳眠@個分類結果對第一待評估數(shù)據(jù)樣本x進行診斷。因此，本發(fā)明實施例提供的一種基于局部學習特征權重選擇的醫(yī)療數(shù)據(jù)分類方法，首先根據(jù)訓練樣本集得到樣本的屬性值，根據(jù)屬性值利用梯度下降的權重更新方式計算屬性對應的權重向量，因此可以保證收斂性，可以較快地達到算法的停止準則，減少計算時間，降低計算復雜度；根據(jù)計算出的權重向量進行特征選擇得到最優(yōu)特征集，將待評估數(shù)據(jù)樣本進行標準化后再最優(yōu)特征子集中進行特征選擇，再將特征選擇后的待評估數(shù)據(jù)樣本進行分類就可以使數(shù)據(jù)樣本實現(xiàn)降維，因此本發(fā)明實施例提供的方法實現(xiàn)降維的同時又降低了計算的復雜度，減少了計算時間。本發(fā)明實施例公開了一種具體的基于局部學習特征權重選擇的醫(yī)療數(shù)據(jù)分類方法，區(qū)別于上一實施例，本發(fā)明對s101做了具體的限定，其他步驟內容與上一實施例大致相同，詳細內容可以參見上一實施例，此處不再贅述。具體地，s101包括：獲取醫(yī)療數(shù)據(jù)的第一樣本集，得到第一樣本屬性，并對所述第一樣本集進行離差標準化處理；具體地，獲取醫(yī)療數(shù)據(jù)的第一樣本集得到第一樣本集的樣本屬性，作為第一樣本屬性。其中xi∈ri，yi∈{1,2,...,c}是xi的標簽，表明xi的類別，n是訓練樣本的個數(shù)，i是樣本的維數(shù)，c是類別總數(shù)。需要說明的是，不同的特征屬性往往具有不同的量綱和量綱單位，這樣的情況會影響到數(shù)據(jù)分析的結果，為了消除不同量綱及量綱單位造成的影響，需要對第一樣本集進行離差標準化處理，以解決特征屬性數(shù)據(jù)之間的可比性。離差標準化處理的轉換函數(shù)為其中，xij為第i個樣本的第j個屬性，為取所有訓練樣本數(shù)據(jù)中屬性j的最大值，為所有數(shù)據(jù)中屬性j的最小值。進行標準化處理后，特征數(shù)據(jù)的各指標都是同一個數(shù)量級，更利于對這些數(shù)據(jù)進行綜合對比評價，本發(fā)明實施例所用的特征數(shù)據(jù)均為進行離差標準化處理后的數(shù)據(jù)。本發(fā)明實施例公開了一種具體的基于局部學習特征權重選擇的醫(yī)療數(shù)據(jù)分類方法，區(qū)別于上一實施例，本發(fā)明對s103做了具體的限定，其他步驟內容與上一實施例大致相同，詳細內容可以參見上一實施例，此處不再贅述。具體地，s103包括：通過規(guī)則對本次權重向量進行更新，得到迭代一次后的下次權重向量wt+1，j(w)為優(yōu)化目標函數(shù)，通過最大化j(w)＝(zit+1)twt+1計算得到。具體地，最大化求解j(w)，對下次權重向量wt+1進行更新。其中和分別是樣本xi在異類樣本以及同類樣本中的近鄰樣本矩陣，k是先驗設置的近鄰個數(shù)。αi和βi分別是異類樣本以及同類樣本xi關于的系數(shù)向量。求解的優(yōu)化問題可以獲得αi；求解的優(yōu)化問題可以獲得βi，因此可以通過優(yōu)化目標函數(shù)j(w)，利用公式對本次權重向量wt進行更新得到迭代一次后的下次權重向量wt+1。利用梯度下降的權重更新方式能夠保證收斂性，當收斂性可以保證時，就能夠較快地達到算法的停止準則，因此就可以降低計算的復雜度，減少計算的時間。本發(fā)明實施例公開了一種具體的基于局部學習特征權重選擇的醫(yī)療數(shù)據(jù)分類方法，區(qū)別于上一實施例，本發(fā)明對s107做了具體的限定，其他步驟內容與上一實施例大致相同，詳細內容可以參見上一實施例，此處不再贅述。具體地，s107包括：獲取第一待評估數(shù)據(jù)，進行離差標準化處理，并根據(jù)所述特征索引子集進行特征選擇得到第二待評估數(shù)據(jù)。具體地，獲得待評估信用數(shù)據(jù)樣本x，作為第一待評估數(shù)據(jù)，其中x∈ri，對第一待評估數(shù)據(jù)利用上述實施例介紹的離差標準化的方法進行標準化處理，即需要說明的是，本發(fā)明所用的第一待評估數(shù)據(jù)均為進行利差標準化處理后的數(shù)據(jù)，對第一待評估數(shù)據(jù)進行離差標準化處理，同樣避免了特征數(shù)據(jù)之間量綱與量綱單位的不同影響數(shù)據(jù)分析結果，將數(shù)據(jù)進行標準化處理，是待評估數(shù)據(jù)的各指標處于同一數(shù)量級，適合進行綜合對比評價。本發(fā)明實施例公開了一種具體的基于局部學習特征權重選擇的醫(yī)療數(shù)據(jù)分類方法，區(qū)別于上一實施例，本發(fā)明對s108做了具體的限定，其他步驟內容與上一實施例大致相同，詳細內容可以參見上一實施例，此處不再贅述。具體地，s108包括：在所述第二樣本集上對第二待評估數(shù)據(jù)利用k近鄰分類器進行分類，得到分類結果。具體地，在第二樣本集的基礎上，利用k近鄰分類器對第二待評估數(shù)據(jù)x′進行分類，得到分類結果，得到分類結果?？梢岳眠@個分類結果對第一待評估數(shù)據(jù)樣本x進行診斷。下面對本發(fā)明實施例提供的一種基于局部學習特征權重選擇的醫(yī)療數(shù)據(jù)分類裝置進行介紹，下文描述的一種醫(yī)療數(shù)據(jù)分類裝置與上文描述的一種醫(yī)療數(shù)據(jù)分類方法可以相互參照。參見圖2，本發(fā)明實施例提供的一種基于局部學習特征權重選擇的醫(yī)療數(shù)據(jù)分類裝置，具體包括：第一樣本集獲取模塊201，用于獲取醫(yī)療數(shù)據(jù)的第一樣本集，得到第一樣本屬性。具體地，第一樣本集獲取模塊201獲取醫(yī)療數(shù)據(jù)的第一樣本集得到第一樣本集的樣本屬性，作為第一樣本屬性。其中xi∈ri，yi∈{1,2,...,c}是xi的標簽，表明xi的類別，n是訓練樣本的個數(shù)，i是樣本的維數(shù)，c是類別總數(shù)。初始權重限量設置模塊202，用于設置所述第一樣本屬性的初始權重向量，將所述初始權重向量作為本次權重向量。具體地，初始權重限量設置模塊202對初始權重向量設置，即初始權重向量為w0＝[1/i,1/i,...,1/i]t，其中t為迭代次數(shù)，當前t＝0，即沒有開始迭代，將初始權重向量w0作為本次權重向量wt。下次權重向量獲取模塊203，用于通過梯度下降的更新方式對本次權重向量進行更新，得到迭代一次后的下次權重向量。具體地，通過下次權重向量獲取模塊203對本次權重向量進行一次迭代，即將本次權重向量wt使用梯度下降的更新方式進行一次更新，得到下次權重向量wt+1。判斷模塊204，用于判斷去定規(guī)則是否成立，若是，則將所述下次權重向量作為最終權重向量，調用特征索引子集獲取模塊；若否，則將下次權重向量作為本次權重向量，調用所述下次權重向量獲取模塊；其中確定規(guī)則為||wt+1-wt||≤θ，wt為本次權重向量，wt+1為下次權重向量，θ為停止準則。具體地，在判斷模塊204中設置一個停止準則θ，判斷||wt+1-wt||≤θ是否成立，如果是，則將下次權重向量wt+1作為最終權重向量w，w＝[w1,w2,...,wi]t∈r,調用特征索引子集獲取模塊205，；如果否，則將下次權重向量wt+1作為本次權重向量wt，再次調用下次權重向量獲取模塊203，進行新的一次迭代。所述特征索引子集獲取模塊205，用于根據(jù)所述最終權重向量進行特征選擇，得到特征索引子集。具體地，特征索引子集獲取模塊205根據(jù)最終權重向量w通過分類精度進行特征選擇，得到對應的特征索引子集實現(xiàn)對第一樣本的特征降維，從而減少計算量以及計算時間。第二樣本集獲取模塊206，用于將所述第一樣本集根據(jù)所述特征索引子集進行特征選擇，得到特征選擇后的第二樣本集。具體地，在第二樣本集獲取模塊206中，將第一樣本集根據(jù)特征索引子集進行特征選擇，得到第二樣本集其中每一個樣本xi∈r|f|，|f|＜i。第二待評估數(shù)據(jù)獲取模塊207，用于獲取第一待評估數(shù)據(jù)，并根據(jù)所述特征索引子集進行特征選擇得到第二待評估數(shù)據(jù)。具體地，第二待評估數(shù)據(jù)獲取模塊207獲取第一待評估數(shù)據(jù)樣本x，x∈ri，當前樣本x未進行降維處理，樣本維數(shù)為i。將數(shù)據(jù)樣本根據(jù)特征索引子集進行特征選擇，得到第二待評估數(shù)據(jù)x′。分類模塊208，用于在所述第二樣本集上對第二待評估數(shù)據(jù)進行分類，得到分類結果。具體地，分類模塊208將第二待評估數(shù)據(jù)x′在第二樣本集進行分類，得到分類結果，得到分類結果?？梢岳眠@個分類結果對第一待評估數(shù)據(jù)樣本x進行診斷。因此，本發(fā)明實施例提供的一種基于局部學習特征權重選擇的醫(yī)療數(shù)據(jù)分類方法，首先通過第一樣本集獲取模塊201得到樣本的屬性值，根據(jù)屬性值在下次權重向量獲取模塊203中，利用梯度下降的權重更新方式計算屬性對應的權重向量，因此可以保證收斂性，可以較快地達到算法的停止準則，減少計算時間，降低計算復雜度；第二樣本集獲取模塊206根據(jù)計算出的權重向量進行特征選擇得到最優(yōu)特征集，第二待評估數(shù)據(jù)獲取模塊207將待評估數(shù)據(jù)樣本進行標準化后再最優(yōu)特征子集中進行特征選擇，再將特征選擇后的待評估數(shù)據(jù)樣本進行分類就可以使數(shù)據(jù)樣本實現(xiàn)降維，因此本發(fā)明實施例提供的方法實現(xiàn)降維的同時又降低了計算的復雜度，減少了計算時間。本發(fā)明實施例公開了一種具體的基于局部學習特征權重選擇的醫(yī)療數(shù)據(jù)分類裝置，區(qū)別于上一實施例，本發(fā)明對第一樣本集獲取模塊201做了具體的限定，其他步驟內容與上一實施例大致相同，詳細內容可以參見上一實施例，此處不再贅述。上述第一樣本集獲取模塊201具體用于：獲取醫(yī)療數(shù)據(jù)的第一樣本集，得到第一樣本屬性，并對所述第一樣本集進行離差標準化處理。具體地，第一樣本集獲取模塊201獲取醫(yī)療數(shù)據(jù)的第一樣本集得到第一樣本集的樣本屬性，作為第一樣本屬性。其中xi∈ri，yi∈{1,2,...,c}是xi的標簽，表明xi的類別，n是訓練樣本的個數(shù)，i是樣本的維數(shù)，c是類別總數(shù)。需要說明的是，不同的特征屬性往往具有不同的量綱和量綱單位，這樣的情況會影響到數(shù)據(jù)分析的結果，為了消除不同量綱及量綱單位造成的影響，需要對第一樣本集進行離差標準化處理，以解決特征屬性數(shù)據(jù)之間的可比性。離差標準化處理的轉換函數(shù)為其中，xij為第i個樣本的第j個屬性，為取所有訓練樣本數(shù)據(jù)中屬性j的最大值，為所有數(shù)據(jù)中屬性j的最小值。進行標準化處理后，特征數(shù)據(jù)的各指標都是同一個數(shù)量級，更利于對這些數(shù)據(jù)進行綜合對比評價，本發(fā)明實施例所用的特征數(shù)據(jù)均為進行離差標準化處理后的數(shù)據(jù)。本發(fā)明實施例公開了一種具體的基于局部學習特征權重選擇的醫(yī)療數(shù)據(jù)分類裝置，區(qū)別于上一實施例，本發(fā)明對下次權重向量獲取模塊203做了具體的限定，其他步驟內容與上一實施例大致相同，詳細內容可以參見上一實施例，此處不再贅述。上述下次權重向量獲取模塊203具體用于：通過規(guī)則對本次權重向量進行更新，得到迭代一次后的下次權重向量wt+1，j(w)通過最大化優(yōu)化目標函數(shù)j(w)＝(zit+1)twt+1計算得到。具體地，在下次權重向量獲取模塊203中，首先最大化求解j(w)，對下次權重向量wt+1進行更新。其中和分別是樣本xi在異類樣本以及同類樣本中的近鄰樣本矩陣，k是先驗設置的近鄰個數(shù)。αi和βi分別是異類樣本以及同類樣本xi關于的系數(shù)向量。求解的優(yōu)化問題可以獲得αi；求解的優(yōu)化問題可以獲得βi，因此可以通過j(w)，利用公式對本次權重向量wt進行更新得到迭代一次后的下次權重向量wt+1。其中，優(yōu)化目標函數(shù)j(w)通過最大化j(w)＝(zit+1)twt+1計算得到。利用梯度下降的權重更新方式能夠保證收斂性，當收斂性可以保證時，就能夠較快地達到算法的停止準則，因此就可以降低計算的復雜度，減少計算的時間。本發(fā)明實施例公開了一種具體的基于局部學習特征權重選擇的醫(yī)療數(shù)據(jù)分類裝置，區(qū)別于上一實施例，本發(fā)明對第二待評估數(shù)據(jù)獲取模塊207做了具體的限定，其他步驟內容與上一實施例大致相同，詳細內容可以參見上一實施例，此處不再贅述。上述第二待評估數(shù)據(jù)獲取模塊207具體用于：獲取第一待評估數(shù)據(jù)，進行離差標準化處理，并根據(jù)所述特征索引子集進行特征選擇得到第二待評估數(shù)據(jù)。具體地，第二待評估數(shù)據(jù)獲取模塊207獲得待評估信用數(shù)據(jù)樣本x，作為第一待評估數(shù)據(jù)，其中x∈ri，對第一待評估數(shù)據(jù)利用上述實施例介紹的離差標準化的方法進行標準化處理，即需要說明的是，本發(fā)明所用的第一待評估數(shù)據(jù)均為進行利差標準化處理后的數(shù)據(jù)，對第一待評估數(shù)據(jù)進行離差標準化處理，同樣避免了特征數(shù)據(jù)之間量綱與量綱單位的不同影響數(shù)據(jù)分析結果，將數(shù)據(jù)進行標準化處理，是待評估數(shù)據(jù)的各指標處于同一數(shù)量級，適合進行綜合對比評價。本發(fā)明實施例公開了一種具體的基于局部學習特征權重選擇的醫(yī)療數(shù)據(jù)分類裝置，區(qū)別于上一實施例，本發(fā)明對分類模塊208做了具體的限定，其他步驟內容與上一實施例大致相同，詳細內容可以參見上一實施例，此處不再贅述。上述分類模塊208具體用于：在所述第二樣本集上對第二待評估數(shù)據(jù)利用k近鄰分類器進行分類，得到分類結果。具體地，分類模塊208在第二樣本集的基礎上，利用k近鄰分類器對第二待評估數(shù)據(jù)x′進行分類，得到分類結果，得到分類結果?？梢岳眠@個分類結果對第一待評估數(shù)據(jù)樣本x進行診斷。本發(fā)明實施例公開了一種基于局部學習特征權重的醫(yī)療數(shù)據(jù)分類方法，具體包括：本發(fā)明實施例在胚數(shù)據(jù)集(cns)數(shù)據(jù)集中進行了測試，該數(shù)據(jù)集中共包含34名患者樣本，每個樣本有7129個基因。這34個樣本包括25個經(jīng)典型髓母細胞瘤(c)以及9個促結締組織增生性成神經(jīng)管細胞瘤(d)，因此共有2類。cns數(shù)據(jù)集分為兩個子集：23個訓練樣本(6個c，17個d)，用來選擇基因和調整分類器的權重，11個測試樣本(3個c，8個d)，用來評價系統(tǒng)所得結果的性能。每個樣本均有都有7129個特征。我們將c視為第一類，d視為第二類。具體實施步驟分為兩個模塊進行，具體如下：模型訓練模塊：s301，輸入醫(yī)療數(shù)據(jù)樣本集作為第一樣本集，其中xi∈ri，yi∈{1,2,...,c}是xi的標簽，表明xi的類別，n是訓練樣本的個數(shù)，i是樣本的維數(shù)，c是類別總數(shù)。這里n＝23，i＝7129，c＝2。s302，對所述第一樣本集進行離差標準化處理，轉換函數(shù)為其中，xij為第i個樣本的第j個屬性，為取所有訓練樣本數(shù)據(jù)中屬性j的最大值，為所有數(shù)據(jù)中屬性j的最小值。s303，設置所述第一樣本屬性的初始權重向量w0＝[1/i,1/i,...,1/i]t，將所述初始權重向量作為本次權重向量。其中t為迭代次數(shù)，當前t＝0，即沒有開始迭代，將初始權重向量w0作為本次權重向量wt，迭代次數(shù)一共為30次，即一共進行30次迭代。s304，通過梯度下降的更新方式對本次權重向量進行更新，得到迭代一次后的下次權重向量。具體地，最大化求解優(yōu)化目標函數(shù)j(w)，對下次權重向量wt+1進行更新。其中和分別是樣本xi在異類樣本以及同類樣本中的近鄰樣本矩陣，k是先驗設置的近鄰個數(shù)。αi和βi分別是異類樣本以及同類樣本xi關于的系數(shù)向量。求解的優(yōu)化問題可以獲得αi；求解的優(yōu)化問題可以獲得βi，因此可以通過j(w)，利用公式對本次權重向量wt進行更新得到迭代一次后的下次權重向量wt+1。s305，判斷確定規(guī)則是否成立，若是，則將所次權重向量作為最終權重向量，執(zhí)行s306；若否，則將下次權重向量作為本次權重向量，返回s304；其中確定規(guī)則為||wt+1-wt||≤θ，wt為本次權重向量，wt+1為下次權重向量，θ為停止準則。具體地，設置一個停止準則θ＝0.001，并判斷||wt+1-wt||≤θ是否成立，如果成立，則將下次權重向量wt+1作為最終權重向量w，w＝[w1,w2,...,wi]t∈r7129,進行s306；如果不成立，則將下次權重向量wt+1作為本次權重向量wt，并返回s304，進行新的一次迭代。s306，根據(jù)所述最終權重向量進行特征選擇，得到特征索引子集。具體地，根據(jù)最終權重向量w通過分類精度進行特征選擇，得到對應的特征索引子集實現(xiàn)對第一樣本的特征降維，從而減少計算量以及計算時間。s307，將所述第一樣本集根據(jù)所述特征索引子集進行特征選擇，得到特征選擇后的第二樣本集。具體地，將第一樣本集根據(jù)特征索引子集進行特征選擇，得到第二樣本集其中每一個樣本xi∈r|f|，|f|＜7129。評估模塊：s308，獲取第一待評估數(shù)據(jù)。具體地，輸入待評估信用數(shù)據(jù)樣本x作為第一待評估數(shù)據(jù)樣本，x∈ri。s309，對第一待評估數(shù)據(jù)進行離差標準化處理。具體地，獲得待評估信用數(shù)據(jù)樣本x，作為第一待評估數(shù)據(jù)，其中x∈ri，對第一待評估數(shù)據(jù)利用上述實施例介紹的離差標準化的方法進行標準化處理，即s310，根據(jù)特征索引子集對第一待評估數(shù)據(jù)進行特征選擇，得到第二待評估數(shù)據(jù)x′。s311，在所述第二樣本集上對第二待評估數(shù)據(jù)利用k近鄰分類器進行分類，得到分類結果。具體地，在第二樣本集的基礎上，利用k近鄰分類器對第二待評估數(shù)據(jù)x′進行分類，得到分類結果，得到分類結果?？梢岳眠@個分類結果對第一待評估數(shù)據(jù)樣本x進行診斷。通過本發(fā)明提出一種基于局部學習特征權重的醫(yī)療數(shù)據(jù)分類方法，對lh-relief的特征選擇方法進行了改進，提取23個7129維的訓練樣本中的特征的組合f，1≤length(f)≤7129，對11個7129維的測試樣本進行分類。本實驗提出的方法與lh-relief算法在相同的數(shù)據(jù)集上做比較，隨機取78個訓練樣本10次，平均收斂結果如圖3所示，平均性能結果如圖4所示。可以看到本發(fā)明比msvm-rfe算法收斂得更快，在相同選擇了相同基因個數(shù)的情況下，具有更好的分類性能。表1給出了兩種方法各自獲得的最好平均分類性能時的對比。本發(fā)明比lh-relief方法提高了大約2個百分點。表1lh-relief和本發(fā)明最好分類性能的對比方法識別率(％)本發(fā)明70.91(10)lh-relief69.09(10)本說明書中各個實施例采用遞進的方式描述，每個實施例重點說明的都是與其他實施例的不同之處，各個實施例之間相同相似部分互相參見即可。對所公開的實施例的上述說明，使本領域專業(yè)技術人員能夠實現(xiàn)或使用本發(fā)明。對這些實施例的多種修改對本領域的專業(yè)技術人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本發(fā)明的精神或范圍的情況下，在其它實施例中實現(xiàn)。因此，本發(fā)明將不會被限制于本文所示的這些實施例，而是要符合與本文所公開的原理和新穎特點相一致的最寬的范圍。當前第1頁12