Autor: Zen und die Kunst der Computerprogrammierung
1. Einleitung
Mit der rasanten Entwicklung im Medizin- und Gesundheitsbereich ist die Leistung diagnostischer Modelle in den letzten Jahren zunehmend auf Methoden des maschinellen Lernens angewiesen. Im Bereich der Biomedizin steht die derzeitige Anwendung maschineller Lernmethoden zur Modellierung bioinformatischer Probleme aufgrund von Faktoren wie einer großen Menge fehlender Daten und unausgeglichenen Proben immer noch vor großen Herausforderungen. Dieser Artikel beginnt mit den am häufigsten verwendeten Klassifizierungs- und Regressionsaufgaben im biomedizinischen Bereich, stellt die Entwicklung von Vorhersagemodellen vor, die auf Methoden des maschinellen Lernens und des tiefen neuronalen Netzwerks (DNN) basieren, und stellt einige praktische Fälle und Wirkungsdemonstrationen vor. Der Artikel geht auf den tatsächlichen Bedarf im biomedizinischen Bereich ein.
2. Grundkonzepte
2.1 Vorhersagemodell
Ein Vorhersagemodell ist ein Prozess oder Modell, das Daten verwendet, um Ergebnisse vorherzusagen. Mithilfe von Datenvorhersagemodellen können verschiedene Probleme gelöst werden, z. B. Preisvorhersage, Vorhersage des Verkaufsvolumens, Bewertung der Marketingeffektivität, Vorhersage der Kundenabwanderung, Vorhersage des Benutzerinteresses, Vorhersage der Patientensterblichkeit, Börsenanalyse usw. Beim maschinellen Lernen umfassen Vorhersagemodelle normalerweise zwei Arten:
- Klassifizierungsmodell: Wird verwendet, um den Wert diskreter Variablen wie Spam-Identifizierung, Bildklassifizierung und Website-Sicherheitserkennung vorherzusagen.
- Regressionsmodell: Wird verwendet, um den Wert kontinuierlicher Variablen vorherzusagen, z. B. Hauspreisvorhersage, Aktienpreisvorhersage und Verkaufsvorhersage.
2.2 Maschinelles Lernen
Maschinelles Lernen ist eine datengesteuerte Computerlernmethode, die durch Beobachtung, Zusammenfassung, Extraktion und Integration von Datenmerkmalen Vorhersagen oder Entscheidungen über unbekannte Daten trifft. Maschinelles Lernen kann uns dabei helfen, automatisch Muster zu erkennen, um unsere Systeme und unser Geschäft zu verbessern. Maschinelles Lernen umfasst viele verschiedene Algorithmen, von denen einige kontinuierliche Variablen und hochdimensionale Daten effektiv verarbeiten können.
2.3 Tiefes Lernen
Deep Learning ist ein Zweig des maschinellen Lernens. Es handelt sich um eine Art hochadaptiven und Parameter-teilenden Lernmechanismus, der abstrakte Lernaufgaben auf hoher Ebene ausführen kann. Deep Learning verwendet eine mehrschichtige Struktur, um mehrere nichtlineare Transformationsmodule Schicht für Schicht zu stapeln, und zwischen jeder Schicht bestehen vollständig verbundene Gewichtsverbindungen. Der Kern des Deep Learning ist die Tiefe des Modells