47、细菌阴道炎数据平衡与预测模型及近似加法器电路研究

细菌阴道炎数据平衡与预测模型及近似加法器电路研究

细菌阴道炎数据处理与模型构建

在细菌阴道炎（BV）的研究中，为了构建更准确的预测模型，进行了一系列实验。

首先是数据集的使用和模型训练。使用完整的BV数据集创建分类模型，采用10折交叉验证（10 - FCV）方案，重复30次。每次迭代中，9折用于模型训练，第10折用于测试。在每次运行中，计算预测模型的性能指标，最后将30次运行的性能指标取平均值，得到模型的整体性能。为确保训练和测试阶段的数据随机性，30次运行使用不同的种子，且为便于比较，所有分类器运行使用相同的种子编号。

接下来是特征排名计算。对于不平衡数据集，之前的工作使用决策树（DT）和Relief方法获得了两个特征排名，本次研究又使用支持向量机（SVM）和逻辑回归（LR）方法计算了另外两个特征排名，以评估原始不平衡数据集中特征的相关性。每个方法的实验都采用10 - FCV方案，重复30次。在交叉验证的每次迭代中，计算训练集（原始不平衡数据集的90%）中每个特征的相关性水平，基于SVM和LR的排名标准计算特征相关性，最后对10 - FCV过程的相关性测量结果取平均值，得到每个特征在30次运行中的总体相关性。

对于平衡数据集，使用随机过采样合成示例（ROSE）技术对原始BV数据集进行平衡处理，采用平滑自举法，得到完全平衡的数据集（每个类别299个实例）。同样采用10 - FCV方案，重复30次，使用SVM、LR和DT分类算法进行实验，并计算性能指标。

以下是不平衡和平衡数据集的实例总数对比：
| BV + | BV - | 总实例数 |
| — | — | — |
| 不平衡BV数据集 | 97 | 299