一种基于聚类下采样和可解释深度森林的脑卒中预测方法

本发明公开了一种基于聚类下采样和可解释深度森林的脑卒中预测方法，获取脑卒中和正常患者的代谢指标以及分类情况；对特征进行标准化，并对异常值进行处理，获取完整的、标准化数据；使用提出的CBUC算法对不平衡数据重采样，尽可能多地将多类型的数据纳入训练，得到一个平衡训练集；使用级联深度森林模型（DF）对数据集进行预测；采用Grid search技术对预测的模型进行优化；采用10折交叉验证对模型的性能进行评估，使用Specificity（SP）、Sensitivity（SE）、Gmean、Area Under the Curve（AUC）以及Accuracy（ACC）五个指标衡量模型性能；计算深度模型中第一层森林的MDI，对输入的特征进行重要性比较。该方法将极度不平衡脑卒中数据重采样为平衡数据集，提高模型的预测精度，同时兼具可解释性，相比于最先进的方法具有更优越的识别性能且预测过程更加透明。