7、不平衡数据分类及数据中心方法在肺癌分类中的应用

不平衡数据分类及数据中心方法在肺癌分类中的应用

在数据处理和机器学习领域，不平衡数据分类以及数据中心方法在医疗图像分类中的应用是两个重要的研究方向。下面将详细介绍相关的方法、实验结果以及结论。

不平衡数据分类方法

提出的方法

该方法主要涉及显著特征选择、马氏距离（MD）计算、计算距离的概率计算以及数据分类。具体步骤如下：
1. 特征过滤 ：使用卡方统计量过滤不重要的特征。通过计算每个特征的卡方统计量并分配得分，然后使用 selectKBest 方法选择得分最高的 k 个特征。
2. 数据集划分 ：将原始数据集随机分为训练集（70%）和测试集（30%），并将训练集进一步分为主要类和次要类数据。
3. MD计算 ：分别计算测试数据与主要类和次要类训练数据的MD。若在计算过程中协方差矩阵的对角线出现零，则该矩阵为奇异矩阵，无法计算其逆矩阵，此时可向数据集添加少量噪声来解决该问题。
4. 概率预测 ：使用主要类和次要类的MD值进行概率预测。将主要类的MD值除以主要类和次要类MD值之和，用1减去得到的值即为得分，对次要类数据进行相同的计算。
5. 分类 ：概率得分最高的类即为测试模式的类。
6. 性能评估 ：将预测标签与实际标签进行比较，评估性能。并通过改变 k 值（从2到数据集中特征的数量）重复上述步骤。