换一批基于改进的多层降噪自编码算法临床分类诊断研究
Stacked denoising autoencoders applied to clinical diagnose and classification
摘要针对临床分类诊断中普遍存在的样本不均衡、错分代价不同、大量无标签样本和测量误差等特点，引入了机器学习中较新的研究成果———多层降噪自编码（stacked denoising autoencoders，SDA）神经网络，并与欠采样局部更新的元代价（metacost）算法相结合，对 SDA 神经网络进行了改进，使组合模型具有代价敏感、降低不均衡性、有效利用无标签样本、抗噪声的特性。实验中将改进的 SDA 神经网络与 SOFTMAX 回归、反向传播（back propagation，BP）神经网络、支持向量机（support vector machine，SVM）、传统多层自编码（stacked autoencoders， SAE）神经网络，以及传统 SDA 神经网络等作了比较。实验结果表明，改进的 SDA 神经网络的准确率、ROC 曲线下面积等均优于其他模型，提高了分类模型的辅助诊断性能。
更多相关知识
关键词
深度学习多层降噪自编码元代价分类诊断代价敏感不均衡deep learningstacked denoising autoencoders(SDA)metacostdiagnose and classificationcost-sensitiveimbalance
分类号
TP202
栏目名称
DOI
10.3969/j.issn.1001-3695.2015.05.034
发布时间
2015-05-26（万方平台首次上网日期，不代表论文的发表时间）
- 浏览2
- 被引16
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
