一种基于集成学习的脑卒中溶栓后出血概率预测方法，首先对原始数据进行预处理，使得用于模型训练的数据足够精简，同时又能完整地表征原始数据；然后将预处理后的数据输入四个子学习器，分别训练后生成初步结果，并将结果汇总；最后将上一步中得到的汇总结果输入一个CatBoost模型中，经过训练得到最终的概率预测模型。本发明对涉及到脑卒中溶栓后出血概率的诸多因素进行了理论和实践的分析，提取出关键因素，并借助集成学习的性能优势，训练了一个具备较高准确率的预测模型。凭借对各个特征之间相关性的深入探究及对集成学习的合理利用，本发明最终呈现的模型可以在临床上给予医生可靠的理论指导。
📄 2021105256601
📂 G16H50_30
👤 浙江工业大学
📅 2021-05-14
本发明提供了一种基于集成学习的脑出血预测模型建立方法及系统，该方法包括：步骤1、进行样本量计算；步骤2、提取针对可能影响脑出血的CT血管照影图像特征的特征数据；步骤3、对所述特征数据，进行显著性检验，验证所述图像特征在脑出血与非脑出血上是否有显著性差异；步骤4、利用集成学习方法通过训练集数据对有显著性差异的所述图像特征进行训练，建立脑出血预测模型；步骤5、利用测试集数据对模型进行测试，分析脑出血预测模型的效率。本发明的方法有效降预测了脑出血发病，可针对预测结果进行相应的提前预防和治疗。
📄 2017106911187
📂 G16H50_30
👤 西南大学
📅 2017-08-14
本发明提供了一种基于复杂网络的集成学习的文本情感分类方法，结合现有的特征提取方法和基于复杂网络的特征选择方法，提高了对中文文本的情感分析的准确率。本发明通过实验使用集成学习结合朴素贝叶斯分类器验证了可行性，对比现有的特征提取技术和情感分类方法，本发明的分类准确率有明显的提高，得到了更好的文本情感分类效果。
📄 2021102272941
📂 G06F16_35
👤 武汉工程大学
📅 2021-03-01
柿子坊 · 知识产权运营
柿子坊知识产权运营平台