基于决策树算法的医疗大数据填补及分类仿真

摘要

从大数据的基本特点和医疗大数据研究现状出发,分析处理过程中存在的问题,提出在决策树算法下的医疗大数据填补及分类方法.分析医疗数据的关联规则,采用关联分析(Apriori)算法和频繁模式树(Frequent Pattern Growth,FP-Growth)算法挖掘数据.以挖掘数据为基础填补其中的缺失数据,按照医疗数据特点搭建决策树,并运用ID3 和C4.5 决策树算法,实现医疗大数据的分类,得出数据分类结果.由仿真得出,与传统方法相比,填补量提高了 50％,分类精度提高了11.40％、14.80％,无论从数据的填补方面还是分类方法,上述方法均有较高的应用价值,为医疗大数据体系的构建开辟了新的思路.