31、疾病预测算法与生物柴油性能研究

疾病预测算法与生物柴油性能研究

1. 疾病预测算法相关

1.1 决策树算法

决策树是一种简单的非参数算法，无需额外检查超参数值。它基于每个特征计算的熵来检查节点的杂质，树的分裂过程会持续进行，直到所考虑子集中的所有节点都是纯节点。通过熵计算信息增益值，熵值越高，节点被选中的概率就越高。决策树生成简单的“如果 - 那么”规则来推断变量并生成目标值。

1.2 支持向量机（SVM）算法

支持向量机是一种线性算法，可用于分类和回归。它是将数据绘制为坐标系上的点的最佳几何模型，其主要目标是定义一个能精确预测类别标签的合适超平面。在相关研究中，由于数据集不平衡且是多分类问题，SVM 使用了非线性核函数，即“高斯径向基”。其计算公式如下：
[GRBK(Y; f(Y)) = e^{-\frac{(Y - f(y))^2}{2c^2}}]
其中，((y, f(y))) 表示 n 维空间中的数据点，(c) 是程序员根据应用提供的常量值。

1.3 K 近邻（KNN）算法

K 近邻是一种非参数算法，适用于构建分类树和回归树。该算法会搜索整个数据集，通过计算距离来预测类别标签，并根据距离分配排名，只考虑距离小于或等于 K 值的点。在相关研究中，使用 Minkowski 距离进行计算，公式如下：
[Mink(D) = (\sum_{i = 1}^{n}(X_i - Y_i)^P)^{\frac{1}{P}}]
其中，(X_i) 和 (Y_i) 是一组数据点，且 (P \geq 1)。

KNN 算法步骤：

1. 加载疾病预测数据集 (D)。