基于均衡分類的腦卒中風(fēng)險(xiǎn)預(yù)測(cè)模型

曹 艷，殷 旭

（北京信息科技大學(xué) 計(jì)算機(jī)學(xué)院，北京100085）

0 引 言

隨著醫(yī)療信息量的增長(zhǎng)，數(shù)據(jù)挖掘技術(shù)在醫(yī)療領(lǐng)域得到廣泛應(yīng)用。決策樹C4.5算法因其具有直觀、高效和結(jié)果易于理解的特點(diǎn)備受 關(guān)注。Jinn－Yi Yeh等［1］使 用C4.5 算法得到透析病人是否需要住院治療和相關(guān)癥狀的關(guān)系，以合理安排住院和治療方案；Zerina Maetic等［2］綜合使用自回歸 （AR）特征提取模塊和C4.5算法檢測(cè)分離正常和充血性心臟衰竭，分類準(zhǔn)確率高達(dá)99.77。在對(duì)乳腺癌數(shù)據(jù)分類中，C4.5算法可以較好的控制決策樹的規(guī)模，規(guī)則的可理解性較高［3］。Ture、Tokatli等［4］在對(duì)乳腺癌患者的無復(fù)發(fā)生存期預(yù)測(cè)實(shí)驗(yàn)中發(fā)現(xiàn)C4.5在準(zhǔn)確度和樹結(jié)構(gòu)方面優(yōu)于CART、CHAID、QUEST 和ID3 算法。上述研究中C4.5都取得了較好效果，但都建立在均衡數(shù)據(jù)基礎(chǔ)之上，為了提高整體分類精確度，可能將某些少數(shù)類數(shù)據(jù)作為可允許誤差進(jìn)行錯(cuò)誤分類。不均衡數(shù)據(jù)處理主要是對(duì)數(shù)據(jù)集進(jìn)行重構(gòu)，數(shù)據(jù)重構(gòu)通常采用欠采樣技術(shù)、過采樣技術(shù)和Chawla等提出的SMOTE （synthetic minority oversampling technique）算法［5］。文獻(xiàn) ［6－11］分別是近年針對(duì)不均衡數(shù)據(jù)提出的處理方法。SMOTE 算法與主動(dòng)學(xué)習(xí)算法［6］集成使用，在一定程度上避免數(shù)據(jù)不均衡帶來的分類偏倚問題；許丹丹等從數(shù)據(jù)水平的過抽樣角度出發(fā)，提出SMOTE 的改進(jìn)算法ISMOTE算法，更好地提高了不均衡數(shù)據(jù)的分類性能［7］；用陰性免疫算法實(shí)現(xiàn)少數(shù)類樣本空間覆蓋，可以避免SMOTE生成的新樣本空間代表性不足的問題［8］；在SVM 分類偏倚問題研究中，集成使用代價(jià)敏感學(xué)習(xí)、欠采樣和 過 采 樣 技 術(shù) 效 果 明 顯［9］；Wang 等［10］結(jié) 合SMOTE、PSO （particle swarm optimization）和C5.0 算 法 對(duì) 不 均 衡的乳腺癌數(shù)據(jù)分類，發(fā)現(xiàn)經(jīng)SMOTE 處理后分類效果明顯提高；孫濤等醫(yī)學(xué)專家也發(fā)現(xiàn)SMOTE 算法可以對(duì)臨床的不均衡數(shù)據(jù)進(jìn)行有效糾偏［11］。上述方法主要是針對(duì)少數(shù)類數(shù)據(jù)進(jìn)行的，忽略了多數(shù)類數(shù)據(jù)處理，當(dāng)兩類數(shù)據(jù)數(shù)量相差較大，一味增加少數(shù)類數(shù)據(jù)會(huì)造成少數(shù)類分類過度擬合，生成虛假關(guān)系。

1 SMOTE算法介紹

SMOTE算法［5］是2002年由Chawla等提出的一種針對(duì)不均衡數(shù)據(jù)集的智能型過抽樣技術(shù)，可以有效改善傳統(tǒng)過抽樣技術(shù)帶來的分類過度擬合現(xiàn)象，解決分類結(jié)果偏倚問題。

定義1 設(shè)樣本集合為T，x為集合中的單個(gè)樣本，k為搜索的少數(shù)類最鄰近樣本的數(shù)量，向上采樣的倍率為N（N 為可被100整除的數(shù)），在k個(gè)少數(shù)類最鄰近樣本中隨機(jī)選取N／100個(gè)樣本，m1，m2，…，mn，在x與m1（j＝1，2，…，n）之間隨機(jī)線性插入0到1之間的數(shù)，形成新的少數(shù)類樣本qj

SMOTE算法的核心思想是首先尋找每個(gè)少數(shù)類樣本的k個(gè)最鄰近樣本，然后選取其中N／100個(gè)，分和少數(shù)類樣本兩兩組合，最后在兩個(gè)樣本間進(jìn)行隨機(jī)線性插值，構(gòu)造新的少數(shù)類樣本。

算法的具體是實(shí)現(xiàn)過程是：

輸入：訓(xùn)練樣本集T，最鄰近樣本數(shù)量k，向上采樣倍率N

輸出：少數(shù)類空間擴(kuò)大的訓(xùn)練樣本集T1

（1）判斷N 是否小于100，如果是，則直接對(duì)樣本進(jìn)行隨機(jī)采樣；否則計(jì)算樣本中各決策屬性中樣本的數(shù)量，確定少數(shù)類和多數(shù)類；

（2）根據(jù)k、N 的值和式 （1）合成新的少數(shù)類數(shù)據(jù)；

（3）將新生成的少數(shù)類樣本加入原數(shù)據(jù)集中，生成新數(shù)據(jù)，算法結(jié)束。

實(shí)驗(yàn)中，在此過程之前，首先應(yīng)使用隨機(jī)抽樣算法抽取訓(xùn)練集中所有的樣本，即對(duì)數(shù)據(jù)進(jìn)行隨機(jī)排序，避免數(shù)據(jù)預(yù)處理時(shí)排序篩選等操作影響最鄰近樣本分布的隨機(jī)性。這樣，既可增大少數(shù)類數(shù)據(jù)的規(guī)模，又可以避免傳統(tǒng)過抽樣中完全復(fù)制少數(shù)類樣本帶來的過度擬合問題。

2 基于PAM 的K－means算法PAM－means算法介紹

2.1 K－means算法

K－means算法是MacQueen在1967年提出的基于距離的聚類算法，該算法因效率較高得到廣泛應(yīng)用。算法的基本思想是：首先選定聚類數(shù)量K 和K 個(gè)初始聚類中心Zj，依據(jù)距離最小原則將樣本nj分配到距離聚類中心最近的類中，分配完后，計(jì)算每個(gè)類的均值作為新的聚類中心，循環(huán)樣本分配過程，直到聚類收斂為止。聚類的目標(biāo)函數(shù)如下

其中，函數(shù)d（xj，zj）為歐幾里得距離函數(shù)，如下

2.2 PAM 算法

PAM （portioning around medoid），是一種圍繞中心的劃分，試圖對(duì)N 個(gè)對(duì)象進(jìn)行K 個(gè)劃分。該算法首先為每個(gè)類選取一個(gè)初始中心點(diǎn)數(shù)據(jù)，剩余的數(shù)據(jù)依據(jù)到與中心點(diǎn)的距離或相異度分配給相近的中心點(diǎn)所在的類；然后反復(fù)地用非代表數(shù)據(jù)替換代表數(shù)據(jù)，并使用代價(jià)函數(shù)進(jìn)行評(píng)估聚類質(zhì)量，選取當(dāng)前代表數(shù)據(jù)最好的代替，提高聚類質(zhì)量，得到正確的劃分。

2.3 PAM－means算法

K－means算法聚類效果相對(duì)較好，較為準(zhǔn)確，但對(duì)孤立點(diǎn)和噪聲較為敏感，且需人為指定K 值。而PAM 算法不需要指定聚類數(shù)目K，對(duì)孤立點(diǎn)和噪聲不敏感，且能處理不同類型的數(shù)據(jù)，但聚類效果相對(duì)K－means較差。

為了使聚類效果較好，本文采用PAM－means算法，首先使用PAM 算法得到聚類數(shù)量K，然后使用K－means算法對(duì)多數(shù)類數(shù)據(jù)進(jìn)行聚類，將相似度較高的數(shù)據(jù)聚到一簇，相似度較低的數(shù)據(jù)分開。這樣，對(duì)聚類后每個(gè)簇進(jìn)行抽樣所得的數(shù)據(jù)特點(diǎn)基本可代表整個(gè)多數(shù)類數(shù)據(jù)的特點(diǎn)，從而避免傳統(tǒng)欠抽樣造成的信息嚴(yán)重丟失問題。

算法的基本流程如下：

（1）PAM 算法聚類，得到K 值；

（2）任意選取K 個(gè)數(shù)據(jù)對(duì)象作為初始聚類中心；

（3）計(jì)算樣本中所有數(shù)據(jù)到聚類中心的距離，如式（3）所示，選擇距離最小的數(shù)據(jù)對(duì)象，并將該數(shù)據(jù)對(duì)象劃分到該聚類中心所在的簇；

（4）計(jì)算每個(gè)簇中數(shù)據(jù)對(duì)象的均值，作為新的聚類中心；

（5）循環(huán)步驟 （3）和步驟 （4），直到聚類中心不再改變；

（6）算法結(jié)束。

3 決策樹C4.5算法

決策樹C4.5算法是JR Quinlan于1993在算法ID3的基礎(chǔ)上提出的，相對(duì)于ID3算法，C4.5具有更高的分類精確度，并且可以處理連續(xù)屬性。C4.5算法用信息增益率來選擇決策屬性，對(duì)于連續(xù)屬性要首先進(jìn)行離散化，離散化的依據(jù)是將連續(xù)屬性排序后，從中間開始選取可能分裂點(diǎn)，計(jì)算各可能分裂點(diǎn)的信息增益率，將信息增益率最大的點(diǎn)作為分裂點(diǎn)。因此在C4.5算法中對(duì)于連續(xù)屬性的分裂是二元分裂。

C4.5算法利用信息熵原理，以信息增益率作為分類屬性的選擇標(biāo)準(zhǔn)，克服了信息增益選擇屬性時(shí)偏向選擇取值多的屬性的不足，遞歸的構(gòu)造決策樹［12］。本文在構(gòu)造樹的過程中使用十折交叉驗(yàn)證和測(cè)試集驗(yàn)證對(duì)分類樹進(jìn)行剪枝，不斷的訓(xùn)練樹的結(jié)構(gòu)，以達(dá)到最簡(jiǎn)最可靠有效的分類結(jié)果。

算法的具體實(shí)現(xiàn)過程是：

輸入：訓(xùn)練集T，決策屬性C

輸出：決策樹

（1）以T 為根節(jié)點(diǎn)構(gòu)造分類樹；

（2）判斷T 的樣本的決策屬性是否相同，如果相同，那么當(dāng)前節(jié)點(diǎn)即為葉節(jié)點(diǎn)，算法結(jié)束；否則，計(jì)算k個(gè)決策類的總信息量；

（3）判斷條件屬性是連續(xù)屬性還是離散屬性，如果是連續(xù)屬性，根據(jù)連續(xù)屬性的可能分裂點(diǎn)的信息增益率對(duì)該屬性進(jìn)行離散化；

（4）分別計(jì)算條件屬性基于決策屬性的條件信息量和分裂信息；

（5）計(jì)算各條件屬性的信息增益率，并選擇最大的為分裂屬性，同時(shí)將該屬性對(duì)應(yīng)的樣本作為子分類樣本集；

（6）針對(duì)選中的分裂屬性，根據(jù)分裂信息構(gòu)建對(duì)應(yīng)的節(jié)點(diǎn)，并將對(duì)應(yīng)的樣本劃分到該節(jié)點(diǎn)下；

（7）重復(fù)步驟 （2）到步驟 （6），對(duì)個(gè)訓(xùn)練樣本子集進(jìn)行劃分，生成新的決策分支，直到?jīng)]有可以再分的屬性，算法停止。

C4.5算法雖然可以比較準(zhǔn)確有效的對(duì)連續(xù)和離散數(shù)據(jù)進(jìn)行分類，但是沒有針對(duì)數(shù)據(jù)本身分布不均的特點(diǎn)進(jìn)行處理，尤其是在遇到普遍存在不均衡性的醫(yī)學(xué)數(shù)據(jù)時(shí)，C4.5算法為了保證整體分類精確度，很容易產(chǎn)生不可預(yù)知的偏倚性，將少數(shù)類數(shù)據(jù)誤分到多數(shù)類中，隱藏少數(shù)類數(shù)據(jù)的信息，造成靈敏度較高，特異度較低的結(jié)果。因此合理的對(duì)不均衡數(shù)據(jù)進(jìn)行均衡處理至關(guān)重要。

4 實(shí)驗(yàn)及結(jié)果分析

本文以腦卒中高危因素篩查和防治項(xiàng)目的調(diào)查問卷數(shù)據(jù)為樣本數(shù)據(jù)，分析與腦卒中相關(guān)的因素之間的關(guān)系，并預(yù)測(cè)患腦卒中的風(fēng)險(xiǎn)，為有效干預(yù)腦卒中預(yù)防提供支持。

4.1 評(píng)價(jià)標(biāo)準(zhǔn)

提高少數(shù)類的分類性能是不均衡數(shù)據(jù)分類問題的研究重點(diǎn)，表1是3類數(shù)據(jù)集的混淆矩陣，這3類數(shù)據(jù)的標(biāo)號(hào)分別為A、B和C，以A 類為例，TA 為A 類正確分類的樣本數(shù)量，F(xiàn)AB表示A 類樣本誤分到B類的樣本數(shù)量，F(xiàn)AC表示A 類樣本誤分到C類的樣本數(shù)量。

表1 3類數(shù)據(jù)集的混淆矩陣

分類模型中常用的評(píng)價(jià)標(biāo)準(zhǔn)為精確度Accuracy，體現(xiàn)分類的整體性能，但不能合理準(zhǔn)確的評(píng)價(jià)不均衡數(shù)據(jù)集的分類性能。對(duì)于不均衡數(shù)據(jù)分類評(píng)價(jià)標(biāo)準(zhǔn)常用F－measure，是查全率Recall和查準(zhǔn)率Precision的組合，β通常為1。只有少數(shù)類的查全率和查準(zhǔn)率都大時(shí)，少數(shù)類的F－measure才會(huì)大，因此他能正確的反應(yīng)少數(shù)類的分類性能。式 （5）、式 （6）和式 （7）分別是類A 的F－measure（A）、查準(zhǔn)率Precision （A）和查全率Recall（A），分類的總體Recall在3類數(shù)據(jù)集分類中為每類查全率的加權(quán)均值，權(quán)重為各類樣本所占比例，整體Precision和F－measure同Recall。

4.2 數(shù)據(jù)預(yù)處理

原始數(shù)據(jù)集有冗余數(shù)據(jù)、缺失數(shù)據(jù)、不確定數(shù)據(jù)和不一致數(shù)據(jù)等，導(dǎo)致結(jié)果不準(zhǔn)確、不全面，甚至得出錯(cuò)誤的規(guī)則。所以首先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，消除數(shù)據(jù)噪聲帶來的分類問題。

此次調(diào)查問卷得到的原數(shù)據(jù)共有524條記錄，100個(gè)數(shù)據(jù)項(xiàng)，其中除了與腦卒中相關(guān)的數(shù)據(jù)項(xiàng)，還有大量的與腦卒中無關(guān)的個(gè)人統(tǒng)計(jì)學(xué)信息和醫(yī)院信息，如姓名，民族，篩查日期等。

首先刪除如姓名、篩查日期等無關(guān)信息，去除數(shù)據(jù)項(xiàng)中只包含一兩條記錄的數(shù)據(jù)項(xiàng)。其次，整合數(shù)據(jù)，在醫(yī)生專家的指導(dǎo)下將某些數(shù)據(jù)項(xiàng)整合到一起形成新的數(shù)據(jù)項(xiàng)，如在判斷是否是家族遺傳腦卒中時(shí)，可以將父母、子女、兄弟姐妹中有得腦卒中的情況視為有家族遺傳腦卒中；將身高體重合并為身體質(zhì)量指數(shù) （BMI）作為衡量身體胖瘦程度的標(biāo)準(zhǔn)等。經(jīng)過這些處理，數(shù)據(jù)中包含15項(xiàng)數(shù)據(jù)項(xiàng)，179條數(shù)據(jù)。最后，統(tǒng)一數(shù)據(jù)格式，并用出現(xiàn)頻率最高的數(shù)據(jù)填充本數(shù)據(jù)項(xiàng)中個(gè)別的缺失值。最后生成的數(shù)據(jù)形式見表2。

表2 腦卒中數(shù)據(jù)

表2中與腦卒中相關(guān)的數(shù)據(jù)項(xiàng)包括決策屬性患腦卒中的風(fēng)險(xiǎn)和條件屬性年齡、性別、身體質(zhì)量指數(shù) （BMI）、是否從事輕體勞動(dòng)、體育鍛煉情況、是否有腦卒中史、是否有短暫性腦缺血發(fā)作史 （TIA）、是否患有高血壓、是否有過房顫或瓣膜性心臟病 （AF／AHD）、是否吸煙、是否飲酒、是否有血脂異常、是否有慢性病史、是否是家族遺傳腦卒中。數(shù)據(jù)中性別項(xiàng)F表示女性，M 表示男性；體育鍛煉情況1表示有規(guī)律性鍛煉，2表示有鍛煉但不規(guī)律，3表示無體育鍛煉；其它數(shù)據(jù)項(xiàng)中1表示是，2表示否；決策屬性有3個(gè)取值L、M、H，分別表示低危、中危和高危。

4.3 SMOTE＆PAM－means＋C4.5算法實(shí)現(xiàn)過程介紹

整個(gè)實(shí)驗(yàn)過程如圖1所示，數(shù)據(jù)預(yù)處理后進(jìn)行均衡判斷，首先統(tǒng)計(jì)每個(gè)類中記錄數(shù)，找出記錄數(shù)的最大值max和最小值min，然后對(duì)max和min做商，如果max／min＜3則判斷數(shù)據(jù)均衡，直接進(jìn)入C4.5分類器進(jìn)行分類；否則判斷該數(shù)據(jù)集存在不均衡性，需要先進(jìn)行均衡處理，然后進(jìn)入分類模塊。

（1）菌種活化分別取適量乳桿菌菌株凍干菌粉接種于10 mL滅苗MRS肉湯培養(yǎng)基中，旋渦混勻于37℃在恒溫培養(yǎng)箱中培養(yǎng)24 h得到一代菌懸液。按5%的接種量將一代菌懸液接種于MRS肉湯培養(yǎng)基中，37℃恒溫培養(yǎng)24 h得二代菌懸液。重復(fù)上述步驟37℃恒濕培養(yǎng)18 h，進(jìn)行第三次活化得到三代活化菌懸液，4℃冰箱儲(chǔ)存?zhèn)溆谩?/p>

圖1 模型實(shí)現(xiàn)流程

均衡處理的工作流程如圖2所示，生成的是均衡處理后的均衡數(shù)據(jù)集。整個(gè)均衡處理過程包含兩個(gè)部分，一部分針對(duì)少數(shù)類數(shù)據(jù)，首先對(duì)整個(gè)數(shù)據(jù)集抽樣，抽樣方式為不可重復(fù)抽樣，數(shù)量為數(shù)據(jù)集數(shù)量，使各記錄隨機(jī)排序，然后使用SMOTE 生成新的少數(shù)類數(shù)據(jù)。排除預(yù)處理時(shí)篩選排序等操作對(duì)SMOTE 算法的影響，確保SMOTE 得到的數(shù)據(jù)是隨機(jī)綜合多數(shù)類數(shù)據(jù)和少數(shù)類數(shù)據(jù)得到的，避免SMOTE生成的數(shù)據(jù)僅來源于少數(shù)類數(shù)據(jù)而造成過度擬合問題。針對(duì)多數(shù)類數(shù)據(jù)，主要是進(jìn)行欠抽樣，但考慮到欠抽樣帶來的信息丟失問題，首先對(duì)多數(shù)類數(shù)據(jù)做PAMmeans聚類，然后計(jì)算聚類結(jié)果中每簇中各個(gè)分類屬性的樣本數(shù)量，按比例進(jìn)行抽樣，使最終得到的數(shù)據(jù)集中每類數(shù)據(jù)的數(shù)量相當(dāng)。

圖2 數(shù)據(jù)均衡處理流程

4.4 實(shí)驗(yàn)結(jié)果及分析

原始C4.5算法分類結(jié)果的混淆矩陣如表3所示。表3顯示樣本總量為179，其中P＝L 的有104例，P＝H 的有66例，而P＝M 的只有9例，P＝M 相對(duì)P＝L和P＝H 類別屬于少數(shù)類?；煜仃囷@示P＝M 類中只9例樣本，只有44.445% 正 確 分 類，有33.333% 偏 向p ＝L 類，22.222%偏向P＝H 類，即大部分少數(shù)類數(shù)據(jù)被誤分到其它類別。而P＝H 類別中，分類正確的占78.788%，分類偏向P＝M 類的7.576%，偏向P＝L類的13.636%。對(duì)于多數(shù)類P＝L，只有2例被誤分到了P＝H 類中?？v向看，P＝M 類9例中只有4例來自正確數(shù)據(jù)，其余都是P＝H 類錯(cuò)誤分類的結(jié)果。綜上所述，少數(shù)類數(shù)據(jù)的分類性能極差，結(jié)果不能正確體現(xiàn)少數(shù)類數(shù)據(jù)的特點(diǎn)。因此，不均衡的腦卒中數(shù)據(jù)在C4.5算法分類中存在嚴(yán)重的分類偏倚問題，解決數(shù)據(jù)不均衡問題是改善分類性能的首要問題。

表3 C4.5算法分類混淆矩陣

為了解決分類偏倚問題，實(shí)驗(yàn)中分別對(duì)原始數(shù)據(jù)做了不同的均衡處理，包括欠采樣、過采樣、SMOTE 和SMOTE＆PAM－means算法，然后用C4.5 算法進(jìn)行分類，分類過程中采用十折交叉驗(yàn)證對(duì)樹進(jìn)行剪枝。均衡處理過程中，欠采樣以少數(shù)類樣本數(shù)量為標(biāo)準(zhǔn)分別對(duì)兩個(gè)多數(shù)類進(jìn)行欠采樣，形成新的數(shù)據(jù)集。SMOTE 算法處理數(shù)據(jù)，形成的均衡數(shù)據(jù)集中P＝M 含有27例樣本。過采樣中少數(shù)類數(shù)據(jù)數(shù)量與SMOTE 處理結(jié)果中P＝M 類的樣本數(shù)量相同，同時(shí)從多數(shù)類數(shù)據(jù)中隨機(jī)取一半數(shù)據(jù)，以便與SMOTE和原始C4.5算法進(jìn)行F－measure和驗(yàn)證精確度的對(duì)比。由于均衡處理后進(jìn)入分類器的數(shù)據(jù)為部分原始數(shù)據(jù)，所以使用整個(gè)原始數(shù)據(jù)集對(duì)生成的規(guī)則進(jìn)行驗(yàn)證，得到驗(yàn)證精確度。

原始C4.5算法、欠采樣＋C4.5 算法、過采樣＋C4.5算法、SMOTE＋C4.5算法和最終改進(jìn)的SMOTE＆PAMmeans＋C4.5算法分類結(jié)果對(duì)比見表4。

表4 各算法結(jié)果對(duì)比

表4中顯示均衡處理后，分類樹的結(jié)構(gòu)有不同程度的簡(jiǎn)化，樹的節(jié)點(diǎn)和葉節(jié)點(diǎn)數(shù)都減少，過采樣簡(jiǎn)化程度相對(duì)最小，SMOTE＆PAM－means＋C4.5 相對(duì)最大。從均衡角度分析，原始C4.5算法的F－measure（M）值僅0.394，而整體F－measure值為0.879，相對(duì)較大，說明少數(shù)類分類性能比較差，而多數(shù)類分類性能很好，再次說明原始C4.5算法的分類結(jié)果嚴(yán)重偏倚。均衡處理后，少數(shù)類的分類性能都有明顯提高，但整體F－measure 只有SMOTE＆PAMmeans＋C4.5算法有明顯改善，其它3 種都有不同程度的下降，說明只針對(duì)少數(shù)類數(shù)據(jù)進(jìn)行的均衡會(huì)造成多數(shù)類數(shù)據(jù)信息嚴(yán)重丟失，影響整體的分類性能，使得均衡處理得不償失。而SMOTE＆PAM－means＋C4.5算法的分類精確度和驗(yàn)證精確度也明顯提高。因此，SMOTE＆PAM－means＋C4.5算法同時(shí)對(duì)少數(shù)類和多數(shù)類數(shù)據(jù)進(jìn)行處理，可有效增大少數(shù)類樣本空間的同時(shí)需減少多數(shù)類樣本信息損失量，改善不均衡數(shù)據(jù)分類偏倚問題，提高分類性能。

SMOTE＆PAM－means＋C4.5算法生成的樹結(jié)構(gòu)如圖3所示，對(duì)應(yīng)的規(guī)則如下：

規(guī)則2：如果慢性病史＝1∧腦卒中史＝2∧飲酒＝1，則風(fēng)險(xiǎn)＝H；

規(guī)則3：如果慢性病史＝1∧腦卒中史＝2∧飲酒＝2∧年齡＞66，則風(fēng)險(xiǎn)＝H；

規(guī)則4：如果慢性病史＝1∧腦卒中史＝2∧飲酒＝2∧年齡＜＝66，則風(fēng)險(xiǎn)＝M；

規(guī)則5：如果慢性病史＝2∧腦卒中史＝1，則風(fēng)險(xiǎn)＝H；

規(guī)則6：如果慢性病史＝2∧腦卒中史＝2∧血脂異常＝2，則風(fēng)險(xiǎn)＝L；

規(guī)則7：如果慢性病史＝2∧腦卒中史＝2∧血脂異常＝1∧高血壓＝1，則風(fēng)險(xiǎn)＝H；

規(guī)則8：如果慢性病史＝2∧腦卒中史＝2∧血脂異常＝1∧高血壓＝2，則風(fēng)險(xiǎn)＝L。

圖3 SMOTE＆PAM－means＋C4.5算法生成的樹結(jié)構(gòu)

實(shí)驗(yàn)結(jié)果顯示，在沒有慢性病史的情況下，腦卒中史或血脂異常、高血壓都會(huì)增大病人患腦卒中的概率，使病人處于高?；疾∪巳骸６谟新圆∈返那闆r下，腦卒中史仍是導(dǎo)致病人患腦卒中的關(guān)鍵因素；同時(shí)，對(duì)于沒有腦卒中史的人，飲酒和年齡大于66歲是兩個(gè)導(dǎo)致腦卒中發(fā)病的關(guān)鍵因素。因此，此預(yù)測(cè)模型有助于人們尤其是老年人及時(shí)了解自身健康情況，準(zhǔn)確預(yù)測(cè)腦卒中發(fā)病風(fēng)險(xiǎn)，并根據(jù)自身情況，尋求更適合自己遠(yuǎn)離腦卒中的預(yù)防措施，最終達(dá)到有效干預(yù)腦卒中預(yù)防治療的效果。

5 結(jié)束語

基于均衡分類的腦卒中風(fēng)險(xiǎn)預(yù)測(cè)模型中SMOTE＆PAM－means＋C4.5算法對(duì)少數(shù)類數(shù)據(jù)進(jìn)行了處理，通過少數(shù)類數(shù)據(jù)和少數(shù)類最鄰近的樣本生成新的少數(shù)類數(shù)據(jù)，一定程度增大少數(shù)類數(shù)據(jù)規(guī)模。同時(shí)對(duì)多數(shù)類進(jìn)行PAM－means聚類，然后按比例對(duì)每簇樣本進(jìn)行隨機(jī)抽樣，達(dá)到少數(shù)類和多數(shù)類數(shù)據(jù)均衡的效果。通過實(shí)驗(yàn)可知，均衡后有效解決了分類結(jié)果偏倚問題，并且分類精確度和樹的結(jié)構(gòu)也得到了改善。此模型生成了8條腦卒中風(fēng)險(xiǎn)預(yù)測(cè)規(guī)則，為人們及時(shí)準(zhǔn)確的預(yù)測(cè)腦卒中風(fēng)險(xiǎn)提供依據(jù)。在以后的工作中我們將進(jìn)一步研究如何更有效解決不均衡數(shù)據(jù)分類問題，提高最終準(zhǔn)確度的分類，簡(jiǎn)化樹的結(jié)構(gòu)，為疾病的有效預(yù)防治療等提供數(shù)據(jù)支持。

［1］Jinn－Yi Yeh，Tai－Hsi Wu，Chuan－Wei Tsao.Using data mining techniques to predict hospitalization of hemodialysis patients ［J］.Decision Support Systems，2011，50 （1）：439－448.

［2］Zerina Masˇetic，Abdulhamit Subasi.Detection of congestive heart failure using C4.5decision ［J］.Southeast Europe Journal of Soft Computing，2013，2 （2）：74－77.

［3］LI Zhi，LI Guolin.Comparative study of C4.5and CART algorithm in medical data mining ［J］.Electronic Technology ＆Software Engineering，2013，10 （3）：47－48 （in Chinese）.［李治，李國(guó)琳.C4.5 和CART 算法在醫(yī)學(xué)數(shù)據(jù)挖掘中的對(duì)比研究 ［J］.電子技術(shù)與軟件工程，2013，10 （3）：47－48.］

［4］MevlutTure，F(xiàn)usunTokatli，Imran Kurt.Using Kaplan－Meier analysis together with decision tree methods（CART，CHAID， QUEST，C4.5and ID3）indetermining recurrence－free survi－val of breast cancer patients ［J］.Expert Systems with Applications，2009，36 （2）：2017－2026.

［5］Chawla NV，Bowyer K，Hall L，et al.SMOTE：Synthetic minority over－sampling technique［J］.Journal of Artificial Intelligence Research，2002，16 （1）：321－357.

［6］ZHANG Yong，LI Zhuoran，LIU Xiaodan.Active learning SMOTE based imbalanced data classification ［J］.Computer Application and Software，2012，29 （3）：91－94 （in Chinese）.［張永，李卓然，劉曉丹.基于主動(dòng)學(xué)習(xí)SMOTE 的非均衡 數(shù) 據(jù) 分 類 ［J］.計(jì) 算 機(jī) 應(yīng) 用 軟 件，2012，29 （3）：91－94.］

［7］XU Dandan，WANG Yong，CAI Lijun.ISMOTE algorithm for imbalanced data set［J］.Journal of Computer Application，2011，30 （9）：2399－2401 （in Chinese）.［許丹丹，王勇，蔡立軍.面向不均衡數(shù)據(jù)集的ISMOTE 算法 ［J］.計(jì)算機(jī)應(yīng)用，2011，30 （9）：2399－2401.］

［8］TAO Xinmin，XU Jing，TONG Zhijing，et al.Over－sampling algorithm based on negative immune in imbalanced data sets learning ［J］.Control and Decision，2010，25 （6）：1－7（in Chinese）.［陶新民，徐晶，童志靖，等.不均衡數(shù)據(jù)下基于陰性免疫的過抽樣新算法［J］.控制與決策，2010，25 （6）：1－7.］

［9］Tang Y，Zhang YQ，Chawla NV，et a1.SVMs modeling for highly imbalanced classifications ［J］.IEEE Transaction on Systems，Man，and Cybernetics，Part B：Cybernetics，2009，39 （1）：281－288.

［10］Wang K J，Makond B，Chen KH，et al.A hybrid classifier combining SMOTE with PSO to estimate 5－year survivability of breast cancer patients ［J］.Applied Soft Computing，2014，20 （3）：15－24.

［11］SUN Tao，WU Haifeng，LIANG Zhigang，et al.SMOTE algorithm in the application of imbalanced data ［J］.Beijing Biomedical Engineering，2012，31 （5）：528－530 （in Chinese）.［孫濤，吳海豐，梁志剛，等.SMOTE算法在不平衡數(shù)據(jù)中的應(yīng)用 ［J］.北京生物醫(yī)學(xué)工程，2012，31 （5）：528－530.］

［12］Zhong L，Wang B，Wang Z，et al.Research and application of massive data processing technology ［C］／／8th International Conference on Computer Science ＆ Education.IEEE，2013：829－833.