機器學習與醫療資料結合輔助醫師診斷應用已然相當廣泛。利用機器學習、神經網路、深度學習、logistic回歸與隨機森林演算法等構造診斷**模型在實驗應用過程中都取得了一定的成果。
在本次測試中主要採用深度學習與機器學習中fnn（前饋神經網路）、knn（k最鄰近演算法）等常用模型對宮頸癌、肝癌誘發因素相關資料進行訓練，最終識別患者是否患病。並將深度學習的**精確度與機器學習中svm網路模型訓練識別的結果進行對比，分析優劣性。最終將實驗結果較好的網路模型投入癌症輔助診斷醫療裝置的診斷演算法的研發中。
本次實驗過程主要採用宮頸癌誘發因素與肝癌誘發因素資料進行訓練。資料為csv格式，標籤為該患者是否在較短時間內患有癌症。
模型相關引數
svm使用多項式核函式、徑向基函式等作為核函式
fnn（前饋神經網路）使用三層神經元，前兩層使用relu函式進行啟用，最後一層使用sigmoid函式實現二分類
訓練結果
訓練時使用交叉熵驗證的方法處理並驗證訓練結果，對
宮頸癌患病與否的分析正確率要高於肝癌患病分析的正確率，這與資料本身的完整度和分布特徵有一定關係。從總體情況來看，對所有資料分析**的正確率都能夠達到95%以上，在輔助醫師判斷方面具有一定的可行性。
深度學習處理文字資料
與處理影象一樣，也是首先要文字向量化，模型只能作用於文字tensor。分詞方法 1文字分割為單詞 分解得到的單元稱為標記 token 分詞過程 2文字分割為字元 分解得到的單元稱為標記 token 分詞過程 3利用詞袋法 bag of words 提取單詞或字元的n gram，並將n gram轉換成...
訓練集雜訊對於深度學習的影響
總所周知，在深度學習的訓練中，樣本的質量和數量都是非常重要的一環。然後在實際的生產過程中，樣本的數量往往可以通過一些手段得到滿足，但是質量卻非常依賴人工的標註，因此往往在訓練中會包含一定數量的標註不正確的資料。一般認為這樣的一些資料，會對於最終的結果造成負面影響，但是具體怎樣影響訓練和最終的模型推廣...
深度學習 TensorFlow 輸入資料處理框架
將mnist資料集中的所有訓練資料儲存到tfrecord檔案中 import tensorflow as tf from tensorflow.examples.tutorials.mnist import input data import numpy as np 生成整數型屬性 轉換型別 將輸入...