[发明专利]一种基于飞蛾扑火优化算法的XGBoost乳腺癌快速诊断方法

权利要求书

1.一种基于飞蛾扑火优化算法的XGBoost乳腺癌快速诊断方法，其特征在于，包括步骤：

(1)对原始乳腺癌数据集进行归一化处理得到样本数据集；

(2)采用默认参数的XGBoost特征选择算法对样本数据集的特征按照特征重要性进行排序筛选，提取关键特征，降低样本数据的维度，并将降维后的样本数据集按固定比例分为训练样本集和测试样本集；

(3)采用飞蛾扑火优化算法优化XGBoost模型参数，确定最优参数集，将训练样本集输入到优化后的XGBoost模型中进行训练；

(4)采用10折交叉验证方法验证训练好的模型的性能，并采用运行时间、Accuracy、F1、G-Mean和AUC指标度量模型最终分类效果。

2.根据权利要求1所述的一种基于飞蛾扑火优化算法的XGBoost乳腺癌诊断方法，其特征在于，

步骤(3)中飞蛾扑火优化算法，假设飞蛾是搜索参数集的候选参数集，飞蛾是在搜索空间内移动的搜索个体，待求参数变量是飞蛾在搜索空间的位置，飞蛾种群的矩阵表示如下：

其中，n表示飞蛾只数，设置为10，d表示待求参数变量个数，设置为9，对于这n只飞蛾假设存在对应的一列适应度值向量，表示如下：

火焰是到目前为止所对应的飞蛾的最优位置，每只飞蛾仅利用与之对应的唯一火焰更新其自身位置，从而避免陷入局部极值情况，因此搜索空间中飞蛾位置与火焰位置是相同维度的变量矩阵，表示如下：

其中OF是火焰对应的适应度值向量，火焰位置及其适应度值设置为飞蛾按适应度值升序排序的位置及适应度值。

3.根据权利要求1所述的一种基于飞蛾扑火优化算法的XGBoost乳腺癌快速诊断方法，其特征在于，

步骤(3)中飞蛾扑火优化算法选取XGBoost模型9个影响较大的参数，分别为学习率learning_rate、树的棵树n_estimators、最大树深度max_depth、最小叶子节点权重min_child_weight、gamma值、随机采样比例subsample、每棵树随机采样的列数的占比colsample_bytree、L1正则项的权重reg_alpha以及L2正则项的权重reg_lambda，作为飞蛾的控制变量，每只飞蛾的控制变量个数等于需要优化的XGBoost参数个数为9。

4.根据权利要求1所述的一种基于飞蛾扑火优化算法的XGBoost乳腺癌诊断方法，其特征在于，

步骤(3)中飞蛾扑火优化算法选取XGBoost分类模型的分类错误率作为飞蛾的适应度函数，错误率err_rate的计算方式为err_rate＝1-Accuracy。

5.根据权利要求1所述的一种基于飞蛾扑火优化算法的XGBoost乳腺癌快速诊断方法，其特征在于，

步骤(3)中飞蛾扑火优化算法，对飞蛾扑火的飞行行为进行数学建模，每只飞蛾相对火焰的位置更新机制可采用下面方程表示：

M_i＝S(M_i,F_j) (5)

S(M_i,F_j)＝D_i×e^bt×cos2πt+F_j (6)

D_i＝|F_j-M_i| (7)

其中M_i表示第i只飞蛾，F_j表示第j个火焰，S表示螺旋函数，D_i表示第i只飞蛾与第j个火焰之间的距离，b为所定义的对数螺旋形状常数(设置b＝1)，路径系数t为[-1,1]中的随机数，螺旋函数的起始点从飞蛾开始，终点为火焰的位置，螺旋的波动范围为参数搜索空间。

6.根据权利要求1所述的一种基于飞蛾扑火优化算法的XGBoost乳腺癌快速诊断方法，其特征在于，

步骤(3)中飞蛾扑火优化算法，采用自适应机制在迭代过程中自适应地减少火焰的数量，公式如下：

其中l是当前迭代次数，N是最大火焰数，设置为10，T是最大迭代次数，设置为50。