• <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99久久99久久久不卡 | 久久午夜综合久久蜜桃| 亚洲三级黄色毛片| 亚洲精品一区蜜桃| 中文字幕精品免费在线观看视频 | 国内少妇人妻偷人精品xxx网站| 岛国毛片在线播放| 国产乱人偷精品视频| 夜夜爽夜夜爽视频| 成人国产麻豆网| 国产色婷婷99| 国产av国产精品国产| 亚洲av电影在线观看一区二区三区| 97超碰精品成人国产| 美女国产视频在线观看| 日韩电影二区| 久久精品久久精品一区二区三区| 国产成人freesex在线| 午夜久久久在线观看| 国产成人精品久久久久久| 国产无遮挡羞羞视频在线观看| 一本—道久久a久久精品蜜桃钙片| 人人妻人人澡人人爽人人夜夜| 久久久精品94久久精品| 另类亚洲欧美激情| 嫩草影院新地址| 国产熟女欧美一区二区| 欧美成人精品欧美一级黄| 午夜av观看不卡| 蜜桃在线观看..| 少妇 在线观看| 少妇人妻久久综合中文| 女性生殖器流出的白浆| 精品99又大又爽又粗少妇毛片| 久久综合国产亚洲精品| 22中文网久久字幕| 熟女人妻精品中文字幕| 国产成人91sexporn| 久久久久久久久久人人人人人人| 内地一区二区视频在线| 国产免费视频播放在线视频| 91午夜精品亚洲一区二区三区| 国产色爽女视频免费观看| 啦啦啦视频在线资源免费观看| 男的添女的下面高潮视频| 成年女人在线观看亚洲视频| 特大巨黑吊av在线直播| 视频中文字幕在线观看| 久久精品久久久久久噜噜老黄| 22中文网久久字幕| www.av在线官网国产| 久热这里只有精品99| 又爽又黄a免费视频| 三级国产精品片| 99热全是精品| 简卡轻食公司| 欧美少妇被猛烈插入视频| av在线观看视频网站免费| 成人免费观看视频高清| 欧美激情国产日韩精品一区| 涩涩av久久男人的天堂| 久久精品久久精品一区二区三区| 七月丁香在线播放| 日日撸夜夜添| 国产精品久久久久久久电影| 国产一区二区三区综合在线观看 | 一级毛片黄色毛片免费观看视频| av有码第一页| 国产免费又黄又爽又色| 免费黄频网站在线观看国产| 丰满饥渴人妻一区二区三| 校园人妻丝袜中文字幕| 男女边吃奶边做爰视频| 亚洲国产欧美在线一区| 色吧在线观看| 国产一区二区在线观看av| 成人黄色视频免费在线看| 日韩一本色道免费dvd| 久久久亚洲精品成人影院| 日韩av在线免费看完整版不卡| 在线观看免费视频网站a站| 亚洲精品456在线播放app| 国产精品熟女久久久久浪| 婷婷色综合大香蕉| 伦理电影大哥的女人| 国产在线一区二区三区精| 免费在线观看成人毛片| 一本一本综合久久| 热99国产精品久久久久久7| 最近手机中文字幕大全| 亚洲av电影在线观看一区二区三区| 菩萨蛮人人尽说江南好唐韦庄| 欧美日韩精品成人综合77777| 日本黄大片高清| 老司机影院毛片| 少妇高潮的动态图| 久久女婷五月综合色啪小说| 黄色配什么色好看| 日本黄大片高清| 婷婷色综合大香蕉| 自拍欧美九色日韩亚洲蝌蚪91 | 青春草视频在线免费观看| 亚洲欧美成人精品一区二区| 亚洲av二区三区四区| 插逼视频在线观看| 在线观看免费日韩欧美大片 | 亚洲真实伦在线观看| 日本午夜av视频| 亚洲怡红院男人天堂| a级毛片免费高清观看在线播放| 久久青草综合色| 午夜福利影视在线免费观看| 国产 精品1| 女的被弄到高潮叫床怎么办| 国产爽快片一区二区三区| 一级爰片在线观看| 日韩成人伦理影院| 性高湖久久久久久久久免费观看| 男女免费视频国产| 男人舔奶头视频| 免费不卡的大黄色大毛片视频在线观看| 精品一区在线观看国产| 王馨瑶露胸无遮挡在线观看| 欧美日韩av久久| 美女视频免费永久观看网站| 日日啪夜夜爽| 色5月婷婷丁香| h日本视频在线播放| av福利片在线观看| 精品国产一区二区三区久久久樱花| 永久免费av网站大全| 天堂中文最新版在线下载| 哪个播放器可以免费观看大片| 国产成人精品婷婷| 人人澡人人妻人| 日韩欧美精品免费久久| 国产精品熟女久久久久浪| 国产69精品久久久久777片| 久久精品国产鲁丝片午夜精品| 80岁老熟妇乱子伦牲交| 国产精品.久久久| 国产免费一级a男人的天堂| 日本与韩国留学比较| 久久久久视频综合| 少妇裸体淫交视频免费看高清| 日韩免费高清中文字幕av| 亚洲人与动物交配视频| 18禁动态无遮挡网站| 在线观看免费视频网站a站| 欧美最新免费一区二区三区| freevideosex欧美| 午夜福利,免费看| av天堂中文字幕网| 制服丝袜香蕉在线| 最黄视频免费看| 丰满乱子伦码专区| 欧美日韩国产mv在线观看视频| 丝袜脚勾引网站| av黄色大香蕉| 久热这里只有精品99| 一级毛片黄色毛片免费观看视频| 久久久午夜欧美精品| 亚洲av.av天堂| 日日爽夜夜爽网站| 老司机影院成人| 免费看av在线观看网站| 97在线人人人人妻| 在线精品无人区一区二区三| 我的老师免费观看完整版| 久久国产乱子免费精品| 国产精品三级大全| 午夜91福利影院| 一级av片app| 午夜影院在线不卡| 国产男女超爽视频在线观看| 一区在线观看完整版| 丰满乱子伦码专区| 亚洲欧美清纯卡通| 亚洲美女搞黄在线观看| 日韩在线高清观看一区二区三区| 国产一区二区三区综合在线观看 | 久久97久久精品| 美女视频免费永久观看网站| 免费看不卡的av| 美女大奶头黄色视频| 一级毛片 在线播放| 黄色毛片三级朝国网站 | 亚洲精品自拍成人| 激情五月婷婷亚洲| 亚洲国产精品成人久久小说| av黄色大香蕉| 亚洲经典国产精华液单| av福利片在线| 日日爽夜夜爽网站| 日韩一区二区三区影片| 99热这里只有是精品50| .国产精品久久| 欧美日韩视频精品一区| 激情五月婷婷亚洲| 欧美 亚洲 国产 日韩一| 婷婷色综合www| 国产深夜福利视频在线观看| 国产一区二区三区综合在线观看 | 青春草国产在线视频| 一级毛片aaaaaa免费看小| 国产免费一级a男人的天堂| 亚洲一级一片aⅴ在线观看| 美女福利国产在线| 美女视频免费永久观看网站| 色5月婷婷丁香| 亚洲一区二区三区欧美精品| 国产亚洲欧美精品永久| 婷婷色综合www| 久久久久久久久久久丰满| 亚洲精品一二三| 男的添女的下面高潮视频| 一边亲一边摸免费视频| 能在线免费看毛片的网站| 如何舔出高潮| 伦理电影大哥的女人| 亚洲精品日韩av片在线观看| 人人妻人人添人人爽欧美一区卜| 少妇人妻精品综合一区二区| 婷婷色av中文字幕| 国产精品人妻久久久久久| 亚洲av欧美aⅴ国产| 色吧在线观看| 亚洲va在线va天堂va国产| 国产乱人偷精品视频| 国产精品久久久久久久电影| 日韩三级伦理在线观看| 能在线免费看毛片的网站| 一个人免费看片子| 插逼视频在线观看| 97超视频在线观看视频| 成年人午夜在线观看视频| 成年女人在线观看亚洲视频| 交换朋友夫妻互换小说| 国产男女内射视频| 在线 av 中文字幕| 久久婷婷青草| 日本黄大片高清| 高清av免费在线| videossex国产| 黑人巨大精品欧美一区二区蜜桃 | 精品久久久久久久久av| videossex国产| 乱人伦中国视频| .国产精品久久| 久久久久久久久大av| 人妻人人澡人人爽人人| 黄色欧美视频在线观看| 精品国产露脸久久av麻豆| 寂寞人妻少妇视频99o| 一级片'在线观看视频| 简卡轻食公司| 免费人成在线观看视频色| 亚洲精品视频女| 亚洲国产欧美在线一区| 我要看黄色一级片免费的| 亚洲第一av免费看| 亚洲av欧美aⅴ国产| 国产精品三级大全| 国产精品一区www在线观看| 97在线人人人人妻| 亚洲,欧美,日韩| av福利片在线| 国产高清有码在线观看视频| 亚洲欧美一区二区三区国产| 在线亚洲精品国产二区图片欧美 | av福利片在线| 日本wwww免费看| 夫妻午夜视频| 亚洲欧美中文字幕日韩二区| 精品久久久噜噜| 成年美女黄网站色视频大全免费 | 日本免费在线观看一区| 国产一区二区在线观看日韩| 亚洲av电影在线观看一区二区三区| 在线免费观看不下载黄p国产| 夜夜爽夜夜爽视频| av天堂中文字幕网| 国产 一区精品| 视频区图区小说| 久久精品久久精品一区二区三区| 三级国产精品片| 精品亚洲成国产av| 女人久久www免费人成看片| 亚洲欧美精品专区久久| 精品国产一区二区久久| 日日撸夜夜添| 最近手机中文字幕大全| 一级黄片播放器| a级一级毛片免费在线观看| 亚洲av中文av极速乱| 色吧在线观看| 国产淫片久久久久久久久| 精品一区二区三卡| 国产有黄有色有爽视频| 日日啪夜夜撸| 2018国产大陆天天弄谢| 久久国产亚洲av麻豆专区| 丝袜在线中文字幕| 国产色婷婷99| 国产成人精品无人区| 99久久精品热视频| 日本wwww免费看| 中文乱码字字幕精品一区二区三区| 国产免费又黄又爽又色| 色5月婷婷丁香| 亚洲精品久久久久久婷婷小说| 丰满人妻一区二区三区视频av| 美女cb高潮喷水在线观看| 亚洲精华国产精华液的使用体验| 日韩欧美 国产精品| 精品久久久久久久久av| 精品午夜福利在线看| 观看美女的网站| 午夜激情福利司机影院| 伊人久久国产一区二区| 18禁动态无遮挡网站| 国产成人精品福利久久| 久久久亚洲精品成人影院| 一级二级三级毛片免费看| 人妻少妇偷人精品九色| 蜜桃在线观看..| 日本色播在线视频| 久久久国产一区二区| 国产精品嫩草影院av在线观看| 精品人妻一区二区三区麻豆| 亚洲欧美成人精品一区二区| 街头女战士在线观看网站| 国产欧美另类精品又又久久亚洲欧美| 成年人午夜在线观看视频| 高清在线视频一区二区三区| h日本视频在线播放| 中国三级夫妇交换| 水蜜桃什么品种好| 人人妻人人爽人人添夜夜欢视频 | 毛片一级片免费看久久久久| 成年av动漫网址| 久久久午夜欧美精品| 在线观看美女被高潮喷水网站| 精品亚洲成a人片在线观看| 欧美最新免费一区二区三区| 国产精品欧美亚洲77777| 亚洲不卡免费看| 国产永久视频网站| 视频中文字幕在线观看| 新久久久久国产一级毛片| 免费观看av网站的网址| 中国国产av一级| 免费看日本二区| 亚洲电影在线观看av| 91久久精品国产一区二区三区| 亚洲不卡免费看| 亚洲精品aⅴ在线观看| 黄色怎么调成土黄色| 黄色欧美视频在线观看| 国产精品国产三级专区第一集| 一本久久精品| 久久毛片免费看一区二区三区| 国产精品无大码| av不卡在线播放| 在线精品无人区一区二区三| 日韩中文字幕视频在线看片| 建设人人有责人人尽责人人享有的| 国产成人精品福利久久| 亚洲内射少妇av| 亚洲国产成人一精品久久久| 嫩草影院入口| 国产午夜精品一二区理论片| 国产精品无大码| 日韩亚洲欧美综合| 日本黄色日本黄色录像| 国产一区亚洲一区在线观看| 一级av片app| 欧美精品一区二区大全| 啦啦啦视频在线资源免费观看| 日韩欧美一区视频在线观看 | 亚洲欧美中文字幕日韩二区| 日韩熟女老妇一区二区性免费视频| 国产亚洲午夜精品一区二区久久| 中文字幕亚洲精品专区| 久久99一区二区三区| 久久韩国三级中文字幕| 午夜影院在线不卡| 3wmmmm亚洲av在线观看| 一级毛片我不卡| 国产又色又爽无遮挡免| 日日撸夜夜添| 啦啦啦啦在线视频资源| 日本黄大片高清| 黄色毛片三级朝国网站 | 国产精品一区二区在线不卡| 观看免费一级毛片| 欧美日韩视频精品一区| 丝袜脚勾引网站| 国产高清不卡午夜福利| 精品一区在线观看国产| 免费黄频网站在线观看国产| 欧美日韩在线观看h| 男人爽女人下面视频在线观看| 黄色日韩在线| 精品少妇久久久久久888优播| 日本欧美视频一区| 日韩精品有码人妻一区| 国产视频内射| 欧美精品人与动牲交sv欧美| 六月丁香七月| 伊人久久精品亚洲午夜| 一边亲一边摸免费视频| 蜜桃久久精品国产亚洲av| 只有这里有精品99| 一本大道久久a久久精品| 亚洲无线观看免费| 男女国产视频网站| 国产高清三级在线| 一区在线观看完整版| 欧美精品亚洲一区二区| 国产av码专区亚洲av| 国产精品一区二区在线不卡| 欧美精品高潮呻吟av久久| 色婷婷av一区二区三区视频| 国产精品久久久久久精品古装| 午夜福利网站1000一区二区三区| 91精品伊人久久大香线蕉| 久久av网站| 自拍欧美九色日韩亚洲蝌蚪91 | 久久99精品国语久久久| 亚洲av免费高清在线观看| www.av在线官网国产| √禁漫天堂资源中文www| 新久久久久国产一级毛片| 国产黄频视频在线观看| 人妻少妇偷人精品九色| h日本视频在线播放| 人人澡人人妻人| 国产精品麻豆人妻色哟哟久久| 免费观看a级毛片全部| 久久国内精品自在自线图片| 国产探花极品一区二区| 一级片'在线观看视频| 欧美成人午夜免费资源| 纵有疾风起免费观看全集完整版| 国产亚洲欧美精品永久| av在线app专区| 久久99精品国语久久久| 在现免费观看毛片| 久久av网站| 免费av中文字幕在线| 亚洲av成人精品一区久久| 3wmmmm亚洲av在线观看| 热re99久久精品国产66热6| 亚洲精品亚洲一区二区| 精品一区二区三区视频在线| 亚洲成人av在线免费| 国产高清有码在线观看视频| 另类亚洲欧美激情| 精品久久国产蜜桃| 午夜影院在线不卡| 亚洲av.av天堂| 久久精品国产鲁丝片午夜精品| 少妇被粗大猛烈的视频| 少妇熟女欧美另类| 亚洲av中文av极速乱| 美女cb高潮喷水在线观看| 成人免费观看视频高清| 视频中文字幕在线观看| 免费看光身美女| 国产成人91sexporn| 免费在线观看成人毛片| 天天操日日干夜夜撸| 在线观看免费高清a一片| 国产精品不卡视频一区二区| 日本猛色少妇xxxxx猛交久久| 中文字幕制服av| 免费人妻精品一区二区三区视频| 国产精品熟女久久久久浪| 大陆偷拍与自拍| 91在线精品国自产拍蜜月| 日韩欧美一区视频在线观看 | 久久久a久久爽久久v久久| 久久久久精品久久久久真实原创| 啦啦啦啦在线视频资源| 亚洲精品视频女| 日韩 亚洲 欧美在线| 肉色欧美久久久久久久蜜桃| 夜夜骑夜夜射夜夜干| 日韩在线高清观看一区二区三区| 亚洲内射少妇av| 欧美97在线视频| 久久久久久久久大av| 亚洲精品乱码久久久v下载方式| 少妇丰满av| 性色av一级| 亚洲av国产av综合av卡| 最近的中文字幕免费完整| 国产精品久久久久久久电影| 丰满少妇做爰视频| 亚洲国产日韩一区二区| 亚洲精品久久午夜乱码| kizo精华| 成人18禁高潮啪啪吃奶动态图 | 九九爱精品视频在线观看| 成人黄色视频免费在线看| 国产精品久久久久久精品古装| 亚洲欧美一区二区三区黑人 | 精品亚洲乱码少妇综合久久| 精品国产乱码久久久久久小说| 亚洲精品国产av蜜桃| 亚洲精品日韩av片在线观看| 在线亚洲精品国产二区图片欧美 | 精品一区在线观看国产| 亚洲图色成人| 日韩不卡一区二区三区视频在线| 精品99又大又爽又粗少妇毛片| 日韩中字成人| 三上悠亚av全集在线观看 | 国产一级毛片在线| 亚洲欧美精品专区久久| 超碰97精品在线观看| 免费观看a级毛片全部| 极品教师在线视频| 亚洲精品日韩av片在线观看| 亚洲精品中文字幕在线视频 | 亚洲成人手机| 伊人久久精品亚洲午夜| 多毛熟女@视频| 久久久国产欧美日韩av| 最新的欧美精品一区二区| 啦啦啦中文免费视频观看日本| 日韩一区二区视频免费看| 我的女老师完整版在线观看| 韩国av在线不卡| 波野结衣二区三区在线| 亚洲av成人精品一二三区| 亚洲国产成人一精品久久久| 日韩精品有码人妻一区| 女的被弄到高潮叫床怎么办| 亚洲天堂av无毛| 蜜桃久久精品国产亚洲av| 我的女老师完整版在线观看| 久久久国产欧美日韩av| 亚洲国产欧美在线一区| 精品一品国产午夜福利视频| 久久久久人妻精品一区果冻| 久久久精品免费免费高清| 国产亚洲最大av| 国产欧美日韩精品一区二区| 大片电影免费在线观看免费| 色婷婷av一区二区三区视频| 国产在线一区二区三区精| 搡女人真爽免费视频火全软件| 韩国高清视频一区二区三区| 黄片无遮挡物在线观看| 免费黄色在线免费观看| 国产亚洲5aaaaa淫片| 国产精品99久久99久久久不卡 | 丰满乱子伦码专区| 久久亚洲国产成人精品v| 人人妻人人添人人爽欧美一区卜| 国产探花极品一区二区| av卡一久久| av.在线天堂| 简卡轻食公司| 欧美亚洲 丝袜 人妻 在线| 久热久热在线精品观看| 一区在线观看完整版| 国产91av在线免费观看| 国产成人免费观看mmmm| tube8黄色片| 国产男女内射视频| 午夜视频国产福利| 观看美女的网站| 久久女婷五月综合色啪小说| 99久久精品国产国产毛片| 高清黄色对白视频在线免费看 | 美女大奶头黄色视频| 国产视频内射| 日韩精品有码人妻一区| 一个人免费看片子| 国产精品三级大全| 亚洲无线观看免费| 91精品国产国语对白视频| 中文字幕人妻丝袜制服| 熟女人妻精品中文字幕| 在线观看免费日韩欧美大片 | 精品人妻一区二区三区麻豆| 五月玫瑰六月丁香| 久久久欧美国产精品| 久久青草综合色| 色网站视频免费| 国产精品熟女久久久久浪| 亚洲一区二区三区欧美精品| 亚洲精品456在线播放app| 国产伦精品一区二区三区视频9| 97在线人人人人妻| 啦啦啦在线观看免费高清www| 欧美老熟妇乱子伦牲交| 卡戴珊不雅视频在线播放| 亚洲欧美精品自产自拍| 麻豆精品久久久久久蜜桃| 69精品国产乱码久久久| av线在线观看网站| 亚洲内射少妇av| 麻豆成人av视频| 国模一区二区三区四区视频| 22中文网久久字幕| 性色av一级| 亚洲怡红院男人天堂| 青春草视频在线免费观看| 久久影院123| 夫妻性生交免费视频一级片| 国产精品久久久久久精品电影小说|