基于非平衡学习的异常细胞远处转移分类方法及系统

摘要

本公开提出了基于非平衡学习的异常细胞远处转移分类方法及系统，获得存在某细胞远处转移的若干条数据序列及某细胞没有远处转移的若干条数据序列，将此数据集分为训练集和测试集，训练集用来训练模型，测试集用来测试模型；首先将训练集输入到特征选择算法与原始情况数据集分类的结果作对比，选出得到结果最好的p个特征；再用过采样算法得到正负类样本比例为1:1的训练集，将此训练集分别输入到分类算法，再用测试集的数据序列进行测试，选择得到评价结果最优的训练集Pi的过采样算法i；通过调整正负类样本的比例，将训练集输入到得到训练集Pi的过采样算法，逐渐增大正负类样本比例至设定比例，分类评价最优的正负类样本比例。本公开技术方案用过采样算法尝试增大正类样本比例，获得更好的模型评价指标和少数正类样本的召回率。