需要金币： 1000 个金币 |
资料包括：完整论文 |  |
 |
| 转换比率：金额 X 10=金币数量， 例100元=1000金币 | 论文字数：14785 |  | |
| 折扣与优惠：团购最低可5折优惠 - 了解详情 | 论文格式：Word格式(*.docx) |  |
摘 要
本文抽样了A医院的3000份病患病历，使用Python语言和Nodejs语言从病历网页中挖取特征数据并进行格式化处理。利用Weka工具包分析得出显著性较高的16个特征属性，采用以Theano为后端的Keras神经网络，搭建和训练Sequential模型算法预测胸痛的异常病变或发病风险。
关键词：胸痛，深度学习，Weka，Python，Keras
目 录
第一章 绪论 1
1.1 引言 1
1.1.1 国内现状 1
1.1.2 国内外研究现状 1
1.2 研究目的 2
第二章 研究方法 3
2.1 研究流程 3
2.2 研究方法介绍 3
2.2.1 Python语言、Nodejs语言及网络爬虫 3
2.2.2 Weka挖掘平台 4
2.2.3 Keras神经网络 5
2.3 数据爬取 5
2.3.1 模拟登录 5
2.3.2 病患关系页面 6
2.3.3 病患页面内容抓取 7
2.4 数据属性 7
2.5 数据清洗 8
第三章 研究结果 8
3.1 胸痛属性分析 8
3.1.1 Weka的InformationGain分析 8
3.1.2 Weka的GainRatio分析 8
3.1.3 Weka的One Attribute Evaluator分析 8
3.1.4 Weka的Apriori分析 9
3.2 胸痛预测J48决策树 9
3.3 胸痛风险评估算法 10
3.3.1 加载数据 11
3.3.2 定义模型 11
3.3.3 编译模型 12
3.3.4 训练模型 13
3.3.5 评估与预测 13
第四章 结论 15
参考文献 16 |
