[发明专利]一种基于朴素贝叶斯算法的预测模型的建立方法

权利要求书

1.一种基于朴素贝叶斯算法的预测模型的建立方法，其特征在于：收集与脑卒中相关的因素数据组成特征集合B，并对相关的数据进行预处理，将定性数据转化为定量数据，利用皮尔森相关系数法计算各个特征与目标值的相关系数，将相关系数值定量转化为权重w_i；将传统算法结合多项式及高斯模型来分别处理离散和连续的特征数据，采用加权特征分析方法提升重要特征对预测结果的影响；引入精确率precision，召回率recall，模型综合评价指标F_measure以及ROC曲线来完成对预测模型的综合评估，进而得到高预测精确率的预测模型。

2.根据权利要求1所述的基于朴素贝叶斯算法的预测模型的建立方法，其特征在于：对离散的特征数据采用拉普拉斯修正对概率计算结果进行平滑处理，对于特征集合B中任意特征b，它的取值个数为m，在计算特征b对脑卒中影响概率时，在分母上加m，在分子上加1完成对计算结果平滑的修正；

根据性别及其类似的离散特征得到的预测概率公式表示为：

其中，P(B^(j)＝b^(j)|A＝c_k)是条件概率的表示方法，其含义是在分类为c_k的前提下，特征b取值为b^(j)时的概率，在条件上有先后顺序的要求；P(B^(j)＝b^(j)，A＝c_k)是经典概率的表示方式，其含义是分类A取值为c_k，同时特征b取值为b^(j)的概率值。

3.根据权利要求1所述的基于朴素贝叶斯算法的预测模型的建立方法，其特征在于：根据BMI以及其类似的连续特征得到的预测概率公式表示为：

其中，σ是在c_k分类下的标准差，u为均值，x为相应特征的具体值。

4.根据权利要求1所述的基于朴素贝叶斯算法的预测模型的建立方法，其特征在于：采用加权特征分析方法提升重要特征对预测结果的影响；特征B_i的权重为w_i，对所有特征进行处理后特征的权重向量W表示为W＝(w₁；w₂；w₃；...；w_i)，通过权重向量W可以直观的反映出各特征在模型预测中的重要程度，其中i为自然数；基于经典的条件概率公式朴素贝叶斯算法的预测模型表示为：

其中，P(B|A)的原计算公式为在加入权重向量W之后调整为根据以上推论加权的朴素贝叶斯算法的预测模型表示为：

其中，B是特征集合，A为是否患脑卒中的分类；P(A|B)是在已知特征集合的情况下判断是否患有脑卒中的条件概率，叫做后验概率；P(B)是先验概率，也叫做标准化常量，是指通过事件发生次数对概率的主观判断；P_w(B|A)是已知是否患有脑卒中后对应的特征集合的条件概率，叫做似然函数，似然函数是对某件事发生可能性的判断，与条件概率正好相反，通过事件已经发生的概率推算事件可能性的概率；P_w(B|A)/P(B)是调整因子，也被称作标准似然度，调整因子是似然函数与先验概率的比值，这个比值相当于一个权重，用来调整后验概率的值，使后验概率更接近真实概率；P(A)是否患有脑卒中的概率。

5.根据权利要求1所述的基于朴素贝叶斯算法的预测模型的建立方法，其特征在于：所述精确率precision是模型预测为脑卒中患者且正确的数量在模型预测为脑卒中患者的数量中所占的比值，用P表示；所述召回率recall模型预测为脑卒中患者且正确的数量在样本中标记为脑卒中患者的数量中所占的比值，用R表示；P与R的数值越趋近于1，查准率或查全率就越高；当P与R数值出现矛盾时，和分别用P和R表示，通过模型综合评价指标F_Measure作加权调和平均。

6.根据权利要求5所述的基于朴素贝叶斯算法的预测模型的建立方法，其特征在于：所述模型综合评价指标F_Measure表示为：