基于两种数据挖掘算法的股骨颈预后评分分类

摘要

股骨颈骨折手术预后质量评分（Harris评分）是骨科大夫极其关心的问题。随着病例的积累，我们希望通过病例信息找到影响Harris评分的重要因子，并使用这些影响因子对新患者的手术预后Harris评分类别进行预测。贝叶斯网络分类器是基于概率论与图论的分类网络，具有优良的分类功能，已广泛应用于数据挖掘、统计分析和人工智能等领域。决策树是一种基于信息增益理论的分类算法，是一种使用简单且应用面广泛的分类器。本文从数据挖掘的概述出发，首先，叙述了数据挖掘的基本内容及发展趋势；进一步介绍了决策树C4.5算法和贝叶斯网络分类器算法并提出了决策树C4.5算法的优化算法—决策树L-C4.5算法；最后，将决策树L-C4.5算法和贝叶斯网络分类器算法应用于股骨颈预后评分分类数据并成功搭建了优良的股骨颈手术预后评分的决策树和贝叶斯网络分类器。在此基础上，发现了Harris评分的重要影响因子分别为：BMI指数、骨折类型是否为Garden分型、是否存在糖尿病史、否是为侧位螺钉平行结构、骨折位置是否为三角结构及骨折类别。

目录

声明

第一章 引言

1.1数据挖掘的重要性

1.2 数据挖掘的概念

1.3 数据挖掘的任务

1.4 数据挖掘对象

1.5数据挖掘流程图

1.6数据挖掘的方法

1.7 国内常用软件介绍

1.8 数据挖掘的发展前景

第二章 决策树理论基础

2.1决策树背景

2.2 C4.5算法概念

2.3 C4.5算法的概率论基础

2.4 C4.5算法

2.5 C4.5算法构造决策树过程

2.6 决策树剪枝

第三章 贝叶斯网络

3.1贝叶斯网络背景

3.2贝叶斯网络推理的概率论基础

3.3贝叶斯网络介绍

3.4 贝叶斯网络的表示，学习和推理

第四章 基于优化决策树算法的股骨颈病例分类

4.1决策树应用现状及用于股骨颈病例分类的背景

4.2 建立优化的C4.5决策树算法L-C4.5

4.3基于股骨颈医学数据生成决策树

4.4 结论

第五章 贝叶斯网络分类器在股骨颈病例分类中的应用

5.1贝叶斯网络应用现状及用于股骨颈病例分类的背景

5.2 朴素贝叶斯网络分类器介绍

5.3 股骨颈手术预后评分的分类模型创建

5.4 结论

第六章 结论

参考文献

致谢

硕士期间发表的学术论文