• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    深度殘差網(wǎng)絡(luò)模型的構(gòu)建及其在糖尿病預(yù)測中的應(yīng)用

    2022-07-28 09:06左星光
    現(xiàn)代電子技術(shù) 2022年15期
    關(guān)鍵詞:殘差準(zhǔn)確率神經(jīng)網(wǎng)絡(luò)

    左星光,范 靜

    (1.上海第二工業(yè)大學(xué) 工學(xué)部,上海 201209;2.上海第二工業(yè)大學(xué) 文理學(xué)部,上海 201209)

    0 引 言

    隨著計(jì)算機(jī)科學(xué)與醫(yī)學(xué)的融合發(fā)展,基于機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)模型的疾病預(yù)測已成為臨床醫(yī)學(xué)診療的重要輔助手段,這也包括了對糖尿病的預(yù)測研究。由于糖尿病受到很多因素的影響,包括患者的遺傳、生活方式、環(huán)境等,還可能引發(fā)心臟病、腦血管疾病等并發(fā)癥。因此,急需建立高準(zhǔn)確率的糖尿病預(yù)測模型,對普通人的糖尿病發(fā)病概率進(jìn)行預(yù)測,以確定高危人群范圍,從而有效地控制糖尿病的發(fā)病率。

    目前,已有多篇文獻(xiàn)利用神經(jīng)網(wǎng)絡(luò)對糖尿病進(jìn)行預(yù)測研究。文獻(xiàn)[5]使用SPSS 軟件分析人工神經(jīng)網(wǎng)絡(luò)的統(tǒng)計(jì)量,得出人工神經(jīng)網(wǎng)絡(luò)用于糖尿病預(yù)測是有實(shí)際意義的,并比較了人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)模型和集成學(xué)習(xí)AdaBoost 在糖尿病預(yù)測中的性能,結(jié)果顯示,人工神經(jīng)網(wǎng)絡(luò)的性能最佳。文獻(xiàn)[6]構(gòu)建了神經(jīng)網(wǎng)絡(luò)模型,得到83%的糖尿病預(yù)測準(zhǔn)確率。文獻(xiàn)[7]使用Stacking 方法集成了邏輯回歸、隨機(jī)森林、支持向量機(jī)、極端梯度提升4 種算法建立了糖尿病預(yù)測模型,取得了85%的預(yù)測準(zhǔn)確率。文獻(xiàn)[8]提出了一種新的基于迭代提升欠采樣的集成分類方法,通過從多數(shù)類樣本中進(jìn)行欠采樣,形成弱分類器,最后用加權(quán)組合方式將弱分類器組合成一個(gè)強(qiáng)分類器。通過該采樣方法,在西醫(yī)和中醫(yī)兩種多標(biāo)簽數(shù)據(jù)集上,準(zhǔn)確率分別提升了6.30%和12.43%。文獻(xiàn)[9]基于網(wǎng)格搜索和交叉驗(yàn)證的支持向量機(jī)算法建立了糖尿病并發(fā)癥預(yù)測模型,結(jié)合網(wǎng)格搜索算法在指定區(qū)間搜索最佳懲罰因子和徑向基核函數(shù)的方差,將糖尿病并發(fā)癥的預(yù)測準(zhǔn)確率提高到92%。文獻(xiàn)[10]對比了卷積神經(jīng)網(wǎng)絡(luò)、全連接神經(jīng)網(wǎng)絡(luò)、決策樹模型和基于XGBoost 的梯度下降樹模型在糖尿病預(yù)測中的性能,使用的數(shù)據(jù)集為某醫(yī)院的糖尿病患者臨床檢查數(shù)據(jù)及其診斷結(jié)果。結(jié)果顯示,全連接神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率最高,達(dá)到了78.10%。

    然而由于疾病本身的復(fù)雜性以及不同患者的身體指標(biāo)存在差異,致使疾病預(yù)測準(zhǔn)確率仍需提高,疾病預(yù)測方法仍需完善。本文構(gòu)建了深度殘差網(wǎng)絡(luò)模型,解構(gòu)了殘差塊的結(jié)構(gòu),比較了不同的激活函數(shù)和優(yōu)化算法對模型性能的影響,進(jìn)而,針對UCI 糖尿病數(shù)據(jù)進(jìn)行了預(yù)測,并與多個(gè)糖尿病預(yù)測模型進(jìn)行了對比分析,最后,總結(jié)了深度殘差網(wǎng)絡(luò)模型的優(yōu)缺點(diǎn)。

    1 深度殘差網(wǎng)絡(luò)模型

    深度殘差網(wǎng)絡(luò)模型是基于神經(jīng)網(wǎng)絡(luò)構(gòu)建的。神經(jīng)網(wǎng)絡(luò)是一種模擬人腦工作原理,從而實(shí)現(xiàn)類人工智能的機(jī)器學(xué)習(xí)技術(shù),支持處理圖像、文本、語音以及序列多種類型的數(shù)據(jù),可以實(shí)現(xiàn)分類、回歸和預(yù)測等。神經(jīng)網(wǎng)絡(luò)模型發(fā)展自美國神經(jīng)物理學(xué)家Frank Rosenblatt 提出的感知機(jī)模型。經(jīng)過學(xué)者們不斷地研究,神經(jīng)網(wǎng)絡(luò)得到了長足的發(fā)展:在架構(gòu)方面,從單層網(wǎng)絡(luò)演變?yōu)槎鄬泳W(wǎng)絡(luò)、從無法解決異或問題到能解決幾乎任何復(fù)雜問題;在神經(jīng)元激活方面,由最初的閾值比較發(fā)展為多種激活函數(shù);在模型優(yōu)化方面,隨機(jī)梯度下降(簡記為SGD)、Adam 等一系列優(yōu)化算法被應(yīng)用到神經(jīng)網(wǎng)絡(luò)模型中以更新模型中的參數(shù)。

    20 世紀(jì)90 年代,美國電話電報(bào)公司的神經(jīng)網(wǎng)絡(luò)研究小組開發(fā)了一個(gè)用于讀取支票的卷積神經(jīng)網(wǎng)絡(luò)。文獻(xiàn)[12]使用改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)在ImageNet 挑戰(zhàn)賽上大放異彩。自此卷積神經(jīng)網(wǎng)絡(luò)的理論與應(yīng)用得到飛速發(fā)展。隨著對神經(jīng)網(wǎng)絡(luò)模型研究的深入,研究人員發(fā)現(xiàn)網(wǎng)絡(luò)層數(shù)越深,模型的性能反而“退化”,同時(shí)還出現(xiàn)了參數(shù)量陡增、梯度彌散或梯度爆炸等一系列問題。為改善缺陷、提高卷積神經(jīng)網(wǎng)絡(luò)的泛化能力,文獻(xiàn)[13]設(shè)計(jì)了深度殘差網(wǎng)絡(luò)(簡記為DRN),該模型提出在各層之間引入恒等映射,通過恒等映射擬合殘差函數(shù)。這一改進(jìn)能加快網(wǎng)絡(luò)的訓(xùn)練速度,緩解梯度彌散或梯度爆炸問題,并且可通過增加網(wǎng)絡(luò)深度來提高準(zhǔn)確率,而不會(huì)出現(xiàn)“退化”問題。殘差網(wǎng)絡(luò)的出現(xiàn)使訓(xùn)練深層次的神經(jīng)網(wǎng)絡(luò)模型成為可能。

    下面將從模型的原理、殘差塊的構(gòu)造、模型激活函數(shù)和優(yōu)化算法的選擇等四方面來詳細(xì)介紹深度殘差網(wǎng)絡(luò)模型。

    1.1 模型的原理

    卷積神經(jīng)網(wǎng)絡(luò)可以看成卷積層的堆疊,幾個(gè)卷積層堆疊在一起被稱為卷積塊。輸入數(shù)據(jù)經(jīng)過卷積塊之后會(huì)產(chǎn)生新的數(shù)據(jù),即在輸入和輸出之間存在映射關(guān)系。在深度殘差網(wǎng)絡(luò)中,這個(gè)映射關(guān)系稱為underlying mappings,記作(),表示模型輸入。圖1 是一個(gè)典型的殘差塊結(jié)構(gòu)。通過添加額外的恒等快捷連接,即()=,來自上層的輸出可直接添加到當(dāng)前堆疊塊的輸出中,并且不用增加額外的參數(shù)。

    圖1 殘差塊結(jié)構(gòu)

    假設(shè)多個(gè)非線性層可以漸近逼近一個(gè)復(fù)雜函數(shù),這等價(jià)于多個(gè)非線性層可以漸近逼近一個(gè)殘差函數(shù)()=()-。因此,第個(gè)殘差塊執(zhí)行以下計(jì)算:

    式 中:xy是 第個(gè) 殘 差 塊 的 輸 入、輸 出 數(shù) 據(jù);W ={W |1 ≤≤}是與第個(gè)殘差塊相關(guān)的權(quán)重,是殘差塊中的層數(shù);是待學(xué)習(xí)的殘差函數(shù);函數(shù)()為恒等映射:()=;為激活函數(shù),表示數(shù)據(jù)相加之后要進(jìn)行的操作。

    圖2 是本文構(gòu)建的深度殘差網(wǎng)絡(luò)。

    圖2 DRN 結(jié)構(gòu)

    當(dāng)也是一個(gè)恒等映射,即x=y,利用遞推逐項(xiàng)合并,得到第層的輸入為:

    假設(shè)損失函數(shù)為,根據(jù)反向傳播的鏈?zhǔn)角髮?dǎo)法則有:

    為分析模型性能,本文采用準(zhǔn)確率、精度、召回值、值和平均準(zhǔn)確率等5 種指標(biāo)。準(zhǔn)確率和平均準(zhǔn)確率將被作為主要評估指標(biāo)。平均準(zhǔn)確率為次實(shí)驗(yàn)得到的準(zhǔn)確率的平均值。準(zhǔn)確率定義為預(yù)測正確的結(jié)果占總樣本的百分比,計(jì)算公式為:

    式中:TP 表示實(shí)際是正類的樣本數(shù);FP 表示被模型誤判為正類的樣本數(shù);TN 表示實(shí)際為負(fù)類的樣本數(shù);FN 表示被模型誤判為負(fù)類的樣本數(shù)。精度定義為被預(yù)測為正類的樣本中實(shí)際為正類的樣本數(shù),計(jì)算公式為:

    召回值定義為實(shí)際為正類的樣本中被預(yù)測為正類的比例,計(jì)算公式為:

    值定義為精度和召回值的調(diào)和平均數(shù),計(jì)算公式為:

    1.2 殘差塊的構(gòu)造

    由于本文利用深度殘差網(wǎng)絡(luò)對糖尿病進(jìn)行預(yù)測,而糖尿病數(shù)據(jù)集不同于圖像數(shù)據(jù),數(shù)據(jù)集中各個(gè)特征代表不同的含義,無法應(yīng)用卷積運(yùn)算。因此用全連接層替換原來的卷積層。文獻(xiàn)[13]證明,在殘差塊中執(zhí)行全連接層的操作是可行的。

    同時(shí),在殘差塊中加入了批量標(biāo)準(zhǔn)化層(Batch Normalization)。引入批量標(biāo)準(zhǔn)化,可以降低樣本間值域的差異,使得模型中大部分?jǐn)?shù)據(jù)處在非飽和區(qū)域,保證梯度反向傳播的有效性;還可以減少模型參數(shù)及其初始值對梯度的影響,從而加快網(wǎng)絡(luò)的收斂速度。批量標(biāo)準(zhǔn)化也可被看作是一種正則化手段,可使模型減少對Dropout 層的使用。

    在批量標(biāo)準(zhǔn)化的計(jì)算過程中,假設(shè)輸入數(shù)據(jù)為,將其分為大小為的小批數(shù)據(jù),每小批數(shù)據(jù)稱為一個(gè)batch。對于batch 中的每個(gè)樣例,批量標(biāo)準(zhǔn)化的計(jì)算公式為:

    值得注意的是,殘差塊中各層的排列順序?qū)δP托阅軙?huì)產(chǎn)生一定影響,不合理的排列順序可能會(huì)導(dǎo)致模型性能的下降。在模型具有相同參數(shù)量、學(xué)習(xí)率、學(xué)習(xí)輪數(shù)的基礎(chǔ)上,比較了基于圖3 和圖4 兩種殘差塊的模型性能。殘差塊Ⅰ中的BN 層和Dropout 層的位置被排在兩個(gè)全連接層之后,殘差塊Ⅱ正好相反。

    圖3 殘差塊Ⅰ

    圖4 殘差塊Ⅱ

    經(jīng)過5 次訓(xùn)練后,得出表1 中所列結(jié)果。易知,無Dropout 時(shí),基于殘差塊Ⅰ構(gòu)建的深度殘差網(wǎng)絡(luò)在5 次訓(xùn)練中準(zhǔn)確率、召回值、值、平均準(zhǔn)確率均高于殘差塊Ⅱ,分別提高了4.55%,18.03%,10.29%,3.53%。

    值得注意的是,Dropout 層相當(dāng)于給快捷連接添加了一個(gè)縮放。在本文設(shè)計(jì)的深度殘差網(wǎng)絡(luò)模型中,Dropout 的參數(shù)設(shè)置為0.5,即把上層傳遞過來的參數(shù)丟棄50%。從表1 的數(shù)據(jù)可看出,有Dropout 時(shí),殘差塊Ⅰ的平均準(zhǔn)確率仍高于殘差塊Ⅱ2.36%。綜上,殘差塊Ⅰ的性能優(yōu)于殘差塊Ⅱ的性能,殘差塊Ⅰ中無Dropout 的性能優(yōu)于有Dropout。因此本文采用殘差塊Ⅰ的結(jié)構(gòu),并去除了Dropout 層。

    表1 基于殘差塊Ⅰ和殘差塊Ⅱ的模型性能對比 %

    1.3 激活函數(shù)的選擇

    激活函數(shù)是神經(jīng)網(wǎng)絡(luò)中對數(shù)據(jù)進(jìn)行計(jì)算的非線性函數(shù),通過這個(gè)非線性函數(shù)模擬神經(jīng)元處理過程。本文針對3 種常用激活函數(shù):ReLU、Sigmoid 和Tanh,在模型具有相同的參數(shù)量、訓(xùn)練輪數(shù)、批次數(shù)量的情況下,對比了它們對模型性能的影響,結(jié)果見表2。

    表2 三種激活函數(shù)的性能 %

    根據(jù)表2 數(shù)據(jù),容易得到Tanh 的性能最佳。原因在于Tanh 是以零為中心的函數(shù),其表達(dá)式為:

    輸出值在[-1,1]之間,這使得經(jīng)Tanh函數(shù)運(yùn)算后不會(huì)出現(xiàn)zigzag 現(xiàn)象。Tanh 還具有放大特征之間差異性的特點(diǎn),能夠提高模型預(yù)測性能。Sigmoid函數(shù)的表達(dá)式為:

    其函數(shù)值全為正數(shù),輸出值在[0,1]之間,數(shù)據(jù)流經(jīng)激活層后進(jìn)行反向傳播時(shí)會(huì)出現(xiàn)參數(shù)同號的問題,容易造成優(yōu)化路徑出現(xiàn)zigzag 現(xiàn)象,減緩了模型的收斂速度。ReLU 函數(shù)的表達(dá)式為()=max(0,),其優(yōu)點(diǎn)是解決了在>0 方向的梯度消失問題,運(yùn)算時(shí)只需判斷參數(shù)是否大于0,加快了模型收斂速度。但ReLU 也不是以零為中心的,并且在參數(shù)小于0 時(shí)輸出為0,從而可能會(huì)導(dǎo)致網(wǎng)絡(luò)中某些神經(jīng)元永遠(yuǎn)不會(huì)被激活。因此,根據(jù)對比結(jié)果,本文選用Tanh 作為模型的激活函數(shù)。

    1.4 優(yōu)化算法的選擇

    本文對比了常用的4 種神經(jīng)網(wǎng)絡(luò)模型優(yōu)化算法:隨機(jī)梯度下降(SGD)、自適應(yīng)矩估計(jì)(Adam)、Adagrad 和Adadelta。

    SGD 的求解思路是根據(jù)每一個(gè)樣本x和標(biāo)簽y,得到更新參數(shù):

    由于SGD 會(huì)對每個(gè)樣本計(jì)算梯度,導(dǎo)致算法會(huì)受到噪聲數(shù)據(jù)的影響,即并不是每次迭代都朝著整體最優(yōu)化方向,但算法優(yōu)化方向是朝著全局最優(yōu)解的,且最終結(jié)果也往往在全局最優(yōu)解附近。Adagrad 的優(yōu)化策略是讓學(xué)習(xí)率適應(yīng)參數(shù),即對于少數(shù)的特征賦予其較大的學(xué)習(xí)率;對于多數(shù)的特征賦予其較小的學(xué)習(xí)率。其缺點(diǎn)是由于不斷地累加梯度的平方,導(dǎo)致學(xué)習(xí)率可能會(huì)變得無限小。Adadelta 算法是Adagrad 算法的擴(kuò)展,通過添加一個(gè)特定大小的歷史梯度計(jì)算窗口,來處理Adagrad 學(xué)習(xí)率持續(xù)變小的問題。Adam 對參數(shù)計(jì)算自適應(yīng)學(xué)習(xí)率,同時(shí)還保存了一個(gè)歷史梯度的指數(shù)衰減均值m,Adam 可自動(dòng)更新m來抵消由于不恰當(dāng)?shù)某跏蓟瘞淼钠?。使用不同?yōu)化算法的模型性能見表3。

    表3 使用不同優(yōu)化算法時(shí)的模型性能 %

    表3 的性能分析表明:優(yōu)化算法Adam 的預(yù)測準(zhǔn)確率高于其余優(yōu)化算法0.65%~9.09%。因此,本文構(gòu)建的深度殘差網(wǎng)絡(luò)選用Adam 作為優(yōu)化算法。

    2 在糖尿病預(yù)測中的應(yīng)用

    2.1 兩類數(shù)據(jù)集的整理

    本文采用UCI 機(jī)器學(xué)習(xí)庫的公開糖尿病數(shù)據(jù)集,原數(shù)據(jù)集中共有768 條樣本數(shù)據(jù)和9 個(gè)屬性字段。其中,確診為糖尿病的樣本數(shù)為500 個(gè),未確診為糖尿病的樣本數(shù)為268 個(gè)。樣本類別呈現(xiàn)不對稱狀態(tài)。表4 統(tǒng)計(jì)了數(shù)據(jù)集中屬性列的均值、方差、最小值、四分位數(shù)及最大值。根據(jù)表4 中的數(shù)據(jù)發(fā)現(xiàn),葡萄糖、血壓、皮膚厚度、胰島素、BMI 屬性中的最小值均為0,顯然這是錯(cuò)誤數(shù)據(jù),需要對其進(jìn)行處理,這是因?yàn)閿?shù)據(jù)集中的噪聲數(shù)據(jù)會(huì)導(dǎo)致模型性能降低,嚴(yán)重時(shí)可使模型無法收斂。將上述5 個(gè)特征按是否確診糖尿病進(jìn)行分類,對未確診糖尿病且存在異常值的樣本使用該類別所有樣本的中位數(shù)填充,對確診糖尿病且存在異常值的樣本也進(jìn)行同樣處理,于是,得到一個(gè)原始數(shù)據(jù)集。

    表4 數(shù)據(jù)集各屬性統(tǒng)計(jì)值

    同時(shí),由于原數(shù)據(jù)集中確診糖尿病樣本數(shù)是未確診的兩倍,從確診樣本隨機(jī)選取268 個(gè)樣本,這樣,便得到一個(gè)樣本均衡數(shù)據(jù)集,其中的確診糖尿病的樣本數(shù)和未確診糖尿病的樣本數(shù)均為268 個(gè)。

    2.2 特征選擇

    為選取最優(yōu)特征,提高模型預(yù)測準(zhǔn)確率,本文使用梯度提升樹算法對原數(shù)據(jù)集中的特征計(jì)算其重要性得分。梯度提升樹的基本思想是生成多個(gè)決策樹,每個(gè)決策樹用來擬合之前累加模型損失函數(shù)的負(fù)梯度,使累加模型的損失在負(fù)梯度方向減少,直到生成一個(gè)強(qiáng)學(xué)習(xí)器。梯度提升樹模型表示為

    式中:為決策樹的數(shù)量;θ是第個(gè)決策樹的參數(shù);h(;θ)表示第個(gè)決策樹。使用前向分布算法,第步提升樹模型更新為:

    更新過程中,θ要使得第步提升樹f()累加到的損失函數(shù)最小化,即:

    通過這個(gè)思想計(jì)算每個(gè)特征在分類時(shí)所占的比重,以此得出每個(gè)特征的重要性程度。表5 只截取了得分最高的前4 個(gè)特征,其余特征的重要性得分均在0.1以下。

    表5 特征重要性得分

    3 預(yù)測結(jié)果對比分析

    3.1 有無使用深度殘差網(wǎng)絡(luò)的對比

    為檢驗(yàn)深度殘差網(wǎng)絡(luò)用于糖尿病預(yù)測的可靠性,比較了具有相同數(shù)量的參數(shù)、深度、寬度和計(jì)算成本的普通神經(jīng)網(wǎng)絡(luò)與深度殘差網(wǎng)絡(luò)。在分別進(jìn)行了5 次訓(xùn)練后,圖5 中數(shù)據(jù)顯示,深度殘差網(wǎng)絡(luò)的性能明顯高于無殘差結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)。具體地,深度殘差網(wǎng)絡(luò)比無殘差結(jié)構(gòu)的準(zhǔn)確率提高了2.6%,精度提高了6.55%,值提高了2.73%,平均準(zhǔn)確率提高了2.59%。實(shí)驗(yàn)結(jié)果證明了深度殘差網(wǎng)絡(luò)可用于糖尿病預(yù)測且具有良好性能。

    圖5 有/無殘差的模型性能比較

    3.2 基于原始數(shù)據(jù)集的模型預(yù)測性能

    對于原始非均衡數(shù)據(jù)集,對深度殘差網(wǎng)絡(luò)與隨機(jī)森林模型、樸素貝葉斯模型、決策樹模型、支持向量機(jī)模型、邏輯回歸模型在準(zhǔn)確率、精度、召回值、值和平均準(zhǔn)確率上進(jìn)行對比分析。其中,深度殘差網(wǎng)絡(luò)模型的最優(yōu)參數(shù)為:優(yōu)化算法Adam、損失函數(shù)Binary_corssentropy、驗(yàn)證集比例為訓(xùn)練數(shù)據(jù)的30%、激活函數(shù)Tanh、Epochs 為100。支持向量機(jī)模型的最優(yōu)參數(shù)有:懲罰參數(shù)為10、核函數(shù)為RBF;而決策樹算法中的3 個(gè)主要參數(shù)的最優(yōu)參數(shù)選值為:max_depth=9,min_impurity_split=0.27,min_samples_leaf=9。

    采用上述參數(shù)后,利用此6 種預(yù)測模型對原始數(shù)據(jù)集均進(jìn)行了10 次實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果見表6。數(shù)據(jù)顯示,深度殘差網(wǎng)絡(luò)模型獲得最高準(zhǔn)確率為89.61%,值最高為85.19%,模型預(yù)測性能較樸素貝葉斯算法提高了近12%。相比于隨機(jī)森林算法,準(zhǔn)確率提升了1.95%,精度提升了9.65%。綜合來看,深度殘差網(wǎng)絡(luò)的平均預(yù)測準(zhǔn)確率高于其他5 種機(jī)器學(xué)習(xí)算法的平均準(zhǔn)確率。另外,在10 次訓(xùn)練任務(wù)中,深度殘差網(wǎng)絡(luò)模型的預(yù)測準(zhǔn)確率沒有出現(xiàn)大幅波動(dòng),說明在使用原數(shù)據(jù)集進(jìn)行糖尿病預(yù)測時(shí),深度殘差網(wǎng)絡(luò)優(yōu)于5 種經(jīng)優(yōu)化的機(jī)器學(xué)習(xí)算法。

    表6 原始數(shù)據(jù)集6 種預(yù)測模型的性能 %

    3.3 基于樣本均衡數(shù)據(jù)集的模型預(yù)測性能

    采用3.2 節(jié)中各算法的最優(yōu)參數(shù),對樣本均衡數(shù)據(jù)集進(jìn)行了10 次實(shí)驗(yàn),各模型性能數(shù)據(jù)如表7 所示。

    表7 樣本均衡數(shù)據(jù)集6 種預(yù)測模型的性能 %

    表7 的結(jié)果顯示:深度殘差網(wǎng)絡(luò)模型獲得最高準(zhǔn)確率為91.35%,值最高為92.31%,預(yù)測性能較原始數(shù)據(jù)集的結(jié)果分別提高了1.74%,7.12%。同時(shí),其余5 種模型性能評估指標(biāo)較原始數(shù)據(jù)集的結(jié)果均穩(wěn)中有升。但總的來看,深度殘差網(wǎng)絡(luò)的平均預(yù)測準(zhǔn)確率還是高于其他5 種機(jī)器學(xué)習(xí)算法的平均準(zhǔn)確率。

    值得一提的是,使用樣本均衡數(shù)據(jù)集時(shí),深度殘差網(wǎng)絡(luò)模型的預(yù)測性能出現(xiàn)略微下降,平均準(zhǔn)確率下降了1.24%。這是由于樣本數(shù)量較少,模型無法學(xué)習(xí)到整體的數(shù)據(jù)特征,模型參數(shù)無法得到有效更新,致使模型預(yù)測性能出現(xiàn)下降。

    4 結(jié) 論

    本文構(gòu)建了深度殘差網(wǎng)絡(luò)模型,并基于UCI 糖尿病數(shù)據(jù)集,將深度殘差網(wǎng)絡(luò)與支持向量機(jī)算法、決策樹算法、隨機(jī)森林、樸素貝葉斯、邏輯回歸等模型進(jìn)行了預(yù)測性能對比分析。結(jié)果表明,深度殘差網(wǎng)絡(luò)模型對原始數(shù)據(jù)集及構(gòu)造的樣本均衡數(shù)據(jù)集的預(yù)測性能都是最優(yōu)的。但在減少樣本量后,深度殘差網(wǎng)絡(luò)模型的性能出現(xiàn)下降,同時(shí)網(wǎng)絡(luò)訓(xùn)練過程中損失值出現(xiàn)波動(dòng)。實(shí)驗(yàn)結(jié)果表明,盡管使用深度殘差網(wǎng)絡(luò)可以解決神經(jīng)網(wǎng)絡(luò)退化問題,加快網(wǎng)絡(luò)收斂速度,但是模型仍需要大量的樣本輸入,以獲得更高的精確率。

    猜你喜歡
    殘差準(zhǔn)確率神經(jīng)網(wǎng)絡(luò)
    基于雙向GRU與殘差擬合的車輛跟馳建模
    乳腺超聲檢查診斷乳腺腫瘤的特異度及準(zhǔn)確率分析
    不同序列磁共振成像診斷脊柱損傷的臨床準(zhǔn)確率比較探討
    2015—2017 年寧夏各天氣預(yù)報(bào)參考產(chǎn)品質(zhì)量檢驗(yàn)分析
    基于殘差學(xué)習(xí)的自適應(yīng)無人機(jī)目標(biāo)跟蹤算法
    神經(jīng)網(wǎng)絡(luò)抑制無線通信干擾探究
    基于遞歸殘差網(wǎng)絡(luò)的圖像超分辨率重建
    高速公路車牌識別標(biāo)識站準(zhǔn)確率驗(yàn)證法
    基于神經(jīng)網(wǎng)絡(luò)的拉矯機(jī)控制模型建立
    復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)在基于WiFi的室內(nèi)LBS應(yīng)用
    国产精品电影一区二区三区| 国产亚洲精品久久久久5区| 成人手机av| 亚洲欧美精品综合久久99| 脱女人内裤的视频| 侵犯人妻中文字幕一二三四区| 在线视频色国产色| 欧美日韩亚洲综合一区二区三区_| 麻豆成人午夜福利视频| 一本精品99久久精品77| 国产亚洲精品久久久久久毛片| 日韩 欧美 亚洲 中文字幕| 午夜福利免费观看在线| 久久这里只有精品19| 国内精品久久久久精免费| 麻豆成人av在线观看| 巨乳人妻的诱惑在线观看| 极品教师在线免费播放| 欧美日韩福利视频一区二区| 久久 成人 亚洲| 日韩中文字幕欧美一区二区| 国产高清激情床上av| 国产黄色小视频在线观看| aaaaa片日本免费| 一级毛片精品| 国产一级毛片七仙女欲春2 | 啦啦啦观看免费观看视频高清| 在线观看66精品国产| 中文字幕人成人乱码亚洲影| 亚洲av熟女| 欧美丝袜亚洲另类 | 精品欧美一区二区三区在线| 丰满人妻熟妇乱又伦精品不卡| 亚洲第一电影网av| 亚洲avbb在线观看| 久久久久国产一级毛片高清牌| 午夜久久久在线观看| 久久国产精品人妻蜜桃| 国产激情偷乱视频一区二区| netflix在线观看网站| 欧美 亚洲 国产 日韩一| 久热爱精品视频在线9| 欧美绝顶高潮抽搐喷水| 国产黄片美女视频| 日本黄色视频三级网站网址| 少妇粗大呻吟视频| 男女下面进入的视频免费午夜 | 久久人妻av系列| 亚洲色图 男人天堂 中文字幕| 亚洲国产中文字幕在线视频| 国产精品国产高清国产av| 欧美av亚洲av综合av国产av| 99国产精品一区二区蜜桃av| 中文字幕最新亚洲高清| 国产黄片美女视频| 99热只有精品国产| 中国美女看黄片| 日本三级黄在线观看| 国产精品国产高清国产av| 精品国产一区二区三区四区第35| 精品久久久久久久末码| www.熟女人妻精品国产| 一级a爱视频在线免费观看| 亚洲国产看品久久| 俺也久久电影网| 国产高清videossex| 久热爱精品视频在线9| 日韩欧美一区二区三区在线观看| 欧美zozozo另类| 久久草成人影院| 欧美绝顶高潮抽搐喷水| 国产一区在线观看成人免费| 午夜亚洲福利在线播放| 亚洲国产中文字幕在线视频| 国产午夜福利久久久久久| 美女高潮喷水抽搐中文字幕| 亚洲人成电影免费在线| 亚洲av中文字字幕乱码综合 | 精品欧美一区二区三区在线| 国产精品99久久99久久久不卡| 少妇被粗大的猛进出69影院| 香蕉国产在线看| 精品一区二区三区av网在线观看| 丝袜在线中文字幕| 亚洲狠狠婷婷综合久久图片| 精品日产1卡2卡| 亚洲国产精品合色在线| 香蕉av资源在线| 男人的好看免费观看在线视频 | 国产99白浆流出| 十八禁网站免费在线| 久久午夜亚洲精品久久| 国产1区2区3区精品| 男人舔女人的私密视频| 少妇裸体淫交视频免费看高清 | 男女那种视频在线观看| 欧美一区二区精品小视频在线| 亚洲中文av在线| 国产国语露脸激情在线看| 国产成人精品久久二区二区免费| www日本黄色视频网| 欧美zozozo另类| 黄色丝袜av网址大全| 国产亚洲av高清不卡| 亚洲av美国av| 97超级碰碰碰精品色视频在线观看| 在线观看舔阴道视频| 国产野战对白在线观看| 久久亚洲真实| 国产激情欧美一区二区| 国产在线观看jvid| 母亲3免费完整高清在线观看| 久久伊人香网站| 国产精品1区2区在线观看.| 18禁国产床啪视频网站| 午夜精品久久久久久毛片777| 一级毛片高清免费大全| 在线观看一区二区三区| 欧美色视频一区免费| 精品久久久久久久人妻蜜臀av| 女人高潮潮喷娇喘18禁视频| 1024视频免费在线观看| 国产精品野战在线观看| 亚洲成人精品中文字幕电影| 中国美女看黄片| 两个人看的免费小视频| av中文乱码字幕在线| 亚洲七黄色美女视频| 国产av一区在线观看免费| 夜夜看夜夜爽夜夜摸| 19禁男女啪啪无遮挡网站| 日韩一卡2卡3卡4卡2021年| 国产亚洲精品av在线| 成人三级黄色视频| 久久午夜亚洲精品久久| 国产免费男女视频| 国产精品免费一区二区三区在线| 国产亚洲欧美98| 亚洲色图av天堂| 国产精品免费一区二区三区在线| 欧美丝袜亚洲另类 | 在线观看舔阴道视频| 美女午夜性视频免费| 俺也久久电影网| 国产1区2区3区精品| 精品人妻1区二区| 69av精品久久久久久| xxx96com| 亚洲国产精品999在线| 日本 欧美在线| 观看免费一级毛片| 此物有八面人人有两片| 中国美女看黄片| 一级毛片精品| 国产免费av片在线观看野外av| 亚洲色图 男人天堂 中文字幕| 9191精品国产免费久久| 中文字幕人成人乱码亚洲影| 女警被强在线播放| 又紧又爽又黄一区二区| 国产精品精品国产色婷婷| 午夜激情福利司机影院| 成人欧美大片| 国产伦在线观看视频一区| 中文亚洲av片在线观看爽| 亚洲真实伦在线观看| 性色av乱码一区二区三区2| 国产精品永久免费网站| 自线自在国产av| 亚洲精品中文字幕一二三四区| 日韩欧美国产在线观看| 无遮挡黄片免费观看| 中国美女看黄片| 国产激情偷乱视频一区二区| 久久精品夜夜夜夜夜久久蜜豆 | 欧美色欧美亚洲另类二区| 国产精品国产高清国产av| 亚洲成av片中文字幕在线观看| 午夜激情福利司机影院| 国产精品免费视频内射| 国内毛片毛片毛片毛片毛片| 我的亚洲天堂| 精品第一国产精品| 波多野结衣高清无吗| 老鸭窝网址在线观看| 一级毛片女人18水好多| 久热这里只有精品99| 操出白浆在线播放| 欧美成人午夜精品| 搡老妇女老女人老熟妇| 一区二区三区国产精品乱码| 精品乱码久久久久久99久播| bbb黄色大片| 免费在线观看视频国产中文字幕亚洲| 欧美激情极品国产一区二区三区| 日韩欧美国产在线观看| 巨乳人妻的诱惑在线观看| 欧美成狂野欧美在线观看| 搡老熟女国产l中国老女人| 日韩欧美一区二区三区在线观看| 欧美黄色淫秽网站| 不卡一级毛片| 久久亚洲真实| 国产成+人综合+亚洲专区| 久久精品国产清高在天天线| 两人在一起打扑克的视频| 国产精品一区二区精品视频观看| 亚洲九九香蕉| 啦啦啦韩国在线观看视频| 国产成人系列免费观看| 国产极品粉嫩免费观看在线| 亚洲 欧美 日韩 在线 免费| 99久久无色码亚洲精品果冻| 国产伦一二天堂av在线观看| 国产av不卡久久| 91麻豆av在线| 悠悠久久av| 亚洲国产精品成人综合色| 日韩大尺度精品在线看网址| 久久精品aⅴ一区二区三区四区| 99在线视频只有这里精品首页| 超碰成人久久| 久久久国产精品麻豆| 国内久久婷婷六月综合欲色啪| 成人国产一区最新在线观看| 欧美成狂野欧美在线观看| 色婷婷久久久亚洲欧美| 国产一区二区三区在线臀色熟女| 91大片在线观看| 午夜免费成人在线视频| 国产熟女午夜一区二区三区| 激情在线观看视频在线高清| 欧美日韩亚洲综合一区二区三区_| 久久热在线av| 搡老岳熟女国产| av福利片在线| 亚洲精品在线美女| cao死你这个sao货| 一本大道久久a久久精品| 国产一卡二卡三卡精品| 精品日产1卡2卡| 午夜福利高清视频| 禁无遮挡网站| 亚洲五月色婷婷综合| 精品国产乱码久久久久久男人| 两个人看的免费小视频| 少妇被粗大的猛进出69影院| 午夜福利成人在线免费观看| 欧美日本亚洲视频在线播放| 国产成人av教育| 变态另类成人亚洲欧美熟女| 少妇裸体淫交视频免费看高清 | 无限看片的www在线观看| 老汉色av国产亚洲站长工具| 最新美女视频免费是黄的| 亚洲自拍偷在线| 99在线视频只有这里精品首页| 手机成人av网站| 欧美性猛交黑人性爽| 一本精品99久久精品77| 婷婷六月久久综合丁香| 久久久久国产一级毛片高清牌| 精品电影一区二区在线| 成年人黄色毛片网站| 手机成人av网站| 天天添夜夜摸| 看黄色毛片网站| 亚洲精品色激情综合| 国产亚洲欧美精品永久| 美女免费视频网站| 国产区一区二久久| 午夜免费成人在线视频| 午夜激情福利司机影院| 妹子高潮喷水视频| 高清毛片免费观看视频网站| 国产精品98久久久久久宅男小说| 国产成人精品无人区| 黑人操中国人逼视频| 亚洲国产欧洲综合997久久, | 亚洲精品美女久久av网站| 午夜久久久在线观看| 亚洲av成人不卡在线观看播放网| 国产黄a三级三级三级人| 久久久国产欧美日韩av| 国产一区二区激情短视频| 一本久久中文字幕| 国产人伦9x9x在线观看| 一区二区三区激情视频| 狠狠狠狠99中文字幕| 亚洲avbb在线观看| 日韩 欧美 亚洲 中文字幕| 97超级碰碰碰精品色视频在线观看| 久久婷婷成人综合色麻豆| 亚洲精华国产精华精| 亚洲专区字幕在线| 中文字幕另类日韩欧美亚洲嫩草| 亚洲av片天天在线观看| 亚洲精品粉嫩美女一区| 可以在线观看毛片的网站| 国产精品免费一区二区三区在线| 国内久久婷婷六月综合欲色啪| 搡老岳熟女国产| 日韩一卡2卡3卡4卡2021年| 一进一出抽搐gif免费好疼| 中国美女看黄片| 亚洲一区中文字幕在线| 最近最新中文字幕大全免费视频| 天天一区二区日本电影三级| 日韩欧美免费精品| 亚洲中文日韩欧美视频| 久久久久久国产a免费观看| 精品一区二区三区av网在线观看| 欧美黑人欧美精品刺激| 国产精品一区二区免费欧美| 久久中文看片网| 国产精品永久免费网站| 色综合亚洲欧美另类图片| 欧美日韩亚洲国产一区二区在线观看| 欧美在线黄色| 成人三级做爰电影| 欧美在线黄色| 国产激情久久老熟女| 美女免费视频网站| 人妻久久中文字幕网| 久久国产乱子伦精品免费另类| 国产国语露脸激情在线看| 99久久久亚洲精品蜜臀av| 国产色视频综合| 亚洲人成网站在线播放欧美日韩| 十八禁人妻一区二区| 国产乱人伦免费视频| av视频在线观看入口| 国产免费男女视频| 国产高清有码在线观看视频 | 中文字幕久久专区| 国产黄a三级三级三级人| 国内精品久久久久精免费| 岛国视频午夜一区免费看| 级片在线观看| 精品乱码久久久久久99久播| 精品久久久久久久久久免费视频| 亚洲精品美女久久久久99蜜臀| 国产又黄又爽又无遮挡在线| 18禁国产床啪视频网站| 国产在线精品亚洲第一网站| 免费高清视频大片| 久久青草综合色| 99精品欧美一区二区三区四区| 最近最新中文字幕大全电影3 | 欧美一级毛片孕妇| 色在线成人网| 免费看日本二区| 久久午夜综合久久蜜桃| 欧美黑人精品巨大| 国产片内射在线| 日韩欧美一区二区三区在线观看| 制服人妻中文乱码| 中文字幕人妻丝袜一区二区| 亚洲精品av麻豆狂野| 老汉色av国产亚洲站长工具| 国产激情偷乱视频一区二区| 亚洲av电影在线进入| 久久久久久久久中文| 久久香蕉国产精品| 国产亚洲精品综合一区在线观看 | 成年免费大片在线观看| 国产在线观看jvid| 欧美中文综合在线视频| 精品国产美女av久久久久小说| 在线av久久热| 国产真人三级小视频在线观看| 亚洲第一欧美日韩一区二区三区| 美女午夜性视频免费| 欧美日韩亚洲国产一区二区在线观看| 久久婷婷人人爽人人干人人爱| 国产精品 欧美亚洲| 久久99热这里只有精品18| 成人18禁在线播放| 精品乱码久久久久久99久播| 精品国内亚洲2022精品成人| 久久久国产精品麻豆| 看黄色毛片网站| 日韩视频一区二区在线观看| 不卡av一区二区三区| 狠狠狠狠99中文字幕| 亚洲国产精品合色在线| 久久天躁狠狠躁夜夜2o2o| 国产精品国产高清国产av| 亚洲av第一区精品v没综合| 不卡av一区二区三区| 国产成人精品久久二区二区91| 亚洲国产精品合色在线| 亚洲精品久久国产高清桃花| 亚洲中文字幕一区二区三区有码在线看 | 午夜福利18| 两人在一起打扑克的视频| 无遮挡黄片免费观看| 国产v大片淫在线免费观看| 亚洲国产毛片av蜜桃av| 国产久久久一区二区三区| 色综合亚洲欧美另类图片| 成人18禁高潮啪啪吃奶动态图| 欧美黄色片欧美黄色片| 日日夜夜操网爽| 亚洲av日韩精品久久久久久密| 99久久99久久久精品蜜桃| 精品国产乱码久久久久久男人| 亚洲自偷自拍图片 自拍| 性色av乱码一区二区三区2| 欧美激情久久久久久爽电影| 久久精品成人免费网站| 999精品在线视频| 99精品久久久久人妻精品| 韩国精品一区二区三区| 精品欧美一区二区三区在线| 他把我摸到了高潮在线观看| 脱女人内裤的视频| 俄罗斯特黄特色一大片| 亚洲av五月六月丁香网| 国产色视频综合| 一进一出抽搐gif免费好疼| 精品一区二区三区四区五区乱码| 欧美av亚洲av综合av国产av| 亚洲第一电影网av| 老汉色av国产亚洲站长工具| 国产亚洲精品av在线| 亚洲av第一区精品v没综合| 欧美日韩精品网址| 制服诱惑二区| 男人舔奶头视频| 女人被狂操c到高潮| 一a级毛片在线观看| 正在播放国产对白刺激| 久久香蕉国产精品| 欧美乱色亚洲激情| 1024视频免费在线观看| 亚洲成人久久性| 亚洲人成伊人成综合网2020| 国产真人三级小视频在线观看| 亚洲久久久国产精品| 国产精品一区二区免费欧美| 视频区欧美日本亚洲| av电影中文网址| 免费人成视频x8x8入口观看| 国产亚洲精品久久久久久毛片| 久9热在线精品视频| 人人妻,人人澡人人爽秒播| 久久精品国产99精品国产亚洲性色| 国内揄拍国产精品人妻在线 | 亚洲片人在线观看| xxx96com| 国产一区二区三区在线臀色熟女| 成人国产综合亚洲| 青草久久国产| www.自偷自拍.com| 色av中文字幕| 99精品欧美一区二区三区四区| 男男h啪啪无遮挡| 51午夜福利影视在线观看| 一级黄色大片毛片| 日韩有码中文字幕| 国产成人系列免费观看| 成人18禁高潮啪啪吃奶动态图| 久久香蕉国产精品| 不卡av一区二区三区| 视频在线观看一区二区三区| 久久久久久九九精品二区国产 | 欧美性长视频在线观看| 嫁个100分男人电影在线观看| 亚洲全国av大片| 亚洲第一欧美日韩一区二区三区| 亚洲,欧美精品.| 国产激情偷乱视频一区二区| av视频在线观看入口| 亚洲成人免费电影在线观看| 黄色片一级片一级黄色片| 18禁黄网站禁片免费观看直播| 中文字幕最新亚洲高清| 成人亚洲精品一区在线观看| 欧美不卡视频在线免费观看 | 成人欧美大片| 亚洲精品中文字幕一二三四区| 国产视频一区二区在线看| 在线观看免费午夜福利视频| 国产一区在线观看成人免费| 午夜免费鲁丝| 欧美日韩乱码在线| 亚洲国产高清在线一区二区三 | 国产高清视频在线播放一区| 精品久久蜜臀av无| 亚洲精品色激情综合| 黑人操中国人逼视频| 老鸭窝网址在线观看| 国产高清视频在线播放一区| 精品日产1卡2卡| 欧美黑人欧美精品刺激| 一本大道久久a久久精品| 日韩高清综合在线| 波多野结衣高清无吗| www.精华液| 老汉色av国产亚洲站长工具| 在线十欧美十亚洲十日本专区| a在线观看视频网站| 久久欧美精品欧美久久欧美| 国内久久婷婷六月综合欲色啪| 国产黄a三级三级三级人| 99国产精品一区二区三区| 午夜免费激情av| 久久欧美精品欧美久久欧美| www.熟女人妻精品国产| 国产精品爽爽va在线观看网站 | av在线天堂中文字幕| 亚洲精品一卡2卡三卡4卡5卡| 久99久视频精品免费| 精品国产一区二区三区四区第35| 精品国内亚洲2022精品成人| 亚洲一码二码三码区别大吗| 国产高清视频在线播放一区| 亚洲avbb在线观看| av有码第一页| 在线十欧美十亚洲十日本专区| 香蕉国产在线看| 在线视频色国产色| 黄色a级毛片大全视频| 午夜亚洲福利在线播放| 欧美日韩黄片免| 国产成人欧美在线观看| 亚洲精品色激情综合| 亚洲专区字幕在线| 国产av又大| 精华霜和精华液先用哪个| 淫妇啪啪啪对白视频| 少妇裸体淫交视频免费看高清 | 亚洲成人精品中文字幕电影| 久久热在线av| 黄频高清免费视频| 亚洲国产欧美日韩在线播放| 校园春色视频在线观看| 啦啦啦 在线观看视频| 曰老女人黄片| 人人妻人人澡人人看| 久久99热这里只有精品18| 亚洲av片天天在线观看| 国产成人影院久久av| 国产男靠女视频免费网站| 一本精品99久久精品77| 精品国产乱码久久久久久男人| 久久精品91蜜桃| 狂野欧美激情性xxxx| 亚洲熟妇中文字幕五十中出| 亚洲va日本ⅴa欧美va伊人久久| 亚洲色图 男人天堂 中文字幕| 美女免费视频网站| 亚洲精品av麻豆狂野| 国产精品 国内视频| 91字幕亚洲| 国产av一区在线观看免费| 成在线人永久免费视频| 动漫黄色视频在线观看| 欧美成人免费av一区二区三区| 亚洲精品粉嫩美女一区| 亚洲精品一卡2卡三卡4卡5卡| 免费在线观看亚洲国产| 欧美黄色片欧美黄色片| 少妇熟女aⅴ在线视频| 99在线视频只有这里精品首页| avwww免费| 黑人操中国人逼视频| 久久久久国内视频| 村上凉子中文字幕在线| 怎么达到女性高潮| 一个人观看的视频www高清免费观看 | 99久久综合精品五月天人人| 国产一区二区在线av高清观看| 国产精品98久久久久久宅男小说| 日本撒尿小便嘘嘘汇集6| 亚洲精品色激情综合| 又黄又爽又免费观看的视频| 女警被强在线播放| 91麻豆精品激情在线观看国产| 国产伦在线观看视频一区| 99在线视频只有这里精品首页| 亚洲片人在线观看| 亚洲午夜理论影院| 久久性视频一级片| 久久狼人影院| 99久久99久久久精品蜜桃| 91国产中文字幕| 国产不卡一卡二| 99久久99久久久精品蜜桃| 国产精华一区二区三区| 亚洲国产看品久久| 国产亚洲精品综合一区在线观看 | 久久人妻av系列| 一夜夜www| 亚洲 国产 在线| xxx96com| 免费人成视频x8x8入口观看| 亚洲精品在线观看二区| 午夜免费鲁丝| a级毛片在线看网站| 久久人人精品亚洲av| 日韩大尺度精品在线看网址| 男女视频在线观看网站免费 | 丝袜美腿诱惑在线| 身体一侧抽搐| 国产精品 欧美亚洲| 香蕉丝袜av| 成人av一区二区三区在线看| 日韩欧美在线二视频| 极品教师在线免费播放| 黄色 视频免费看| 国产高清videossex| 国产高清有码在线观看视频 | 国产高清激情床上av|