[发明专利]一种基于XGBoost的结直肠癌检测系统

权利要求书

1.一种基于XGBoost的结直肠癌检测系统，其特征在于，包括数据采集模块、数据预处理模块、特征选择模块、模型构建模块和结果预测模块；

所述数据采集模块用于：获取数据，构建多特征、多类别的结直肠癌数据集；

所述数据预处理模块用于：对构建的结直肠癌数据集进行数据预处理；

所述特征选择模块用于：使用RFE递归特征选择进行特征选择，得到多个子数据集，每个子数据集含有不同数量的特征；

所述模型构建模块用于：构建XGBoost模型，分别使用各个子数据集对其进行训练，设计优化目标，通过遗传算法优化XGBoost模型中的参数，得到最优的XGBoost模型作为检测模型；

所述结果预测模块用于：将结直肠癌数据的特征处理为检测模型所对应的特征，使用检测模型对进行预测；

数据预处理模块中，所述数据预处理包括以下步骤：

S1、对于结直肠癌数据集中的每一个数据样本，将其标签进行数值化处理；

S2、对于结直肠癌数据集中的每一个数据样本，对其进行独热编码处理，将其特征转换为二值化数据；

S3、进行空缺值和异常值检查，并剔除含有空缺值和异常值的数据样本；

S4、将结直肠癌数据集划分为训练用数据集和测试用数据集；

步骤S4中，使用stratify实现分层采样，将结直肠癌数据集划分为训练用数据集和测试集，使得训练用数据集、测试集中各类标签的样本数据的比例与结直肠癌数据集中的比例相同；

特征选择模块中，进行特征选择包括以下步骤：

T1、获取预处理后的结直肠癌数据集，数据集中每个数据样本的特征数量为Num，设计目标特征数量K1、K2、…、Kn，且K1K2…Kn，令i＝1；

T2、将特征数量为Num的数据集送入设计的基分类器，基分类器计算每个特征的重要性并进行排序；

T3、若Num-Ki≥P，则执行步骤T4，否则，执行步骤T5，其中，P为预设置的步长；

T4、删除重要性最低的P个特征，重新构建数据集，数据集的特征数量Num更新为Num-P，执行步骤T2；

T5、删除重要性最低的(Num-Ki)个特征，重新构建数据集并保存，数据集的特征数量Num更新为Ki，令i+1，若i≤n，则执行步骤T2，否则，结束，得到特征数量分别为K1、K2、…、Kn的子数据集；

模型构建模块中执行以下步骤：

P1、按照步骤S4中的划分，每个子数据集包括训练用数据集和测试集，再次使用stratify实现分层采样，将训练用数据集划分为训练集和验证集，构建XGBoost模型，设置模型参数；

P2、使用训练集训练XGBoost模型，使用验证集进一步提高XGBoost模型的分类性能，使用测试集测试XGBoost模型的性能，包括准确率、召回率、精确率和F1值；

P3、计算XGBoost模型在测试集上的准确率和F1值之和，以XGBoost模型在测试集上的准确率和F1值之和为优化目标，使用遗传算法优化XGBoost模型中的参数，得到由不同子数据集训练得到的XGBoost模型；

P4、对各个XGBoost模型在测试集上进行评估，得到最优的XGBoost模型作为检测模型。

2.根据权利要求1所述的一种基于XGBoost的结直肠癌检测系统，其特征在于，所述基分类器为含有coef_或feature_importances属性的分类器。

3.根据权利要求1所述的一种基于XGBoost的结直肠癌检测系统，其特征在于，步骤S4中，按照9:1的比例将结直肠癌数据集划分为训练用数据集和测试集，步骤P1中，按照8:2的比例将训练用数据集划分为训练集和验证集。