医学科研数据挖掘方法--挖掘技术-3
医学科研数据挖掘概述
Epidemiology
七、数据挖掘所发现的知识分类
数据挖掘将数据转化为知识。其目的是从数据中揭示 一些新的、有用的信息 , 数据挖掘所发现的知识最常见 的有以下几类: (1) 广义知识(generalization) 广义知识指类别特征的概括性描述知识。根据数据的 微观特性发现其表征的、带有普遍性的、较高层次概念 的、中观和宏观的知识 , 反映同类事物共同性质 , 是对 数据的概括、精炼和抽象。 (2) 关联知识(association) 它反映一个事件和其他事件之间依赖或关联的知识。 如果两项或多项属性之间存在关联 , 那么其中一项的属 性值就可以依据其他属性值进行预测。
ID
项集
面包、尿布、牛奶、鸡蛋
面包、尿布、啤酒、鸡蛋 牛奶、尿布、啤酒、可乐
1 2 3 4 5 6
面包、牛奶、尿布、啤酒
面包、牛奶、尿布、可乐 面包、尿布、啤酒、可乐
在所有的交易纪录资料中，至少有5%的交易呈现 尿布与啤酒这两项商品被同时购买的交易行为。 在所有包含尿布的交易纪录资料中，至少有70% 的交易会同时购买啤酒。
9%(3)
2% 1% 8%(4) 2% 5%
Epidemiology
三、数据挖掘的定义和特点
1.
定义
从大量的、不完全的、有噪声的、模糊的、随机的、实际 应用数据中，提取隐含在其中的、人们事先不知道的、但又 是潜在有用的信息和知识的过程。它是在没有明确假设的前 提下去挖掘信息、发现知识。
没有假设≠盲目
Epidemiology
数据的预处理主要包括数据描述、数据清理 、数据 集成和变换、数据归约 四个步骤。 数据描述：对于获得数据的总体印象至关重要。描 述性数据汇总技术可以用来识别数据的典型性质， 突显哪些数据值应当视为噪声或离群点。度量数据 的中心趋势和度量数据的离散程度。 数据清理：是指填充缺失值，光滑噪声并识别离群 点，纠正数据中的不一致。 数据集成：是指合并来自多个数据存储的数据和可 能需要转换成适于挖掘的形式。 数据归约：数据归约技术可以用来得到数据集的归 约表示，它接近于保持数据的完整性，但数据量比 原数据小得多。与非归约数据相比，在归约的数据 上进行挖掘，所需的时间和内存资源更少，挖掘更 有效，并产生相同或几乎相同的分析结果。
医学数据挖掘技术的使用教程与示范
医学数据挖掘技术的使用教程与示范数据挖掘技术是指从大量的数据中找出未知的、可理解的、潜在的可应用的模式的过程。
在医学领域，数据挖掘技术被广泛应用于提取和分析医学数据，为医疗决策、疾病预测和个体化治疗等提供支持。
本文将介绍医学数据挖掘技术的基本概念、方法和应用案例，以帮助读者更好地了解和应用这一技术。
一、医学数据挖掘技术的基本概念与理论1. 医学数据挖掘的定义和目标医学数据挖掘是指从医学数据库中提取知识、模式和关联规则的过程。
其目标是通过分析和挖掘数据，找出隐藏在数据背后的规律和信息，用于指导医学研究和临床实践。
2. 医学数据挖掘的基本方法医学数据挖掘的基本方法包括分类、聚类、关联规则挖掘和预测。
分类是指将数据划分为不同的类别或标签，聚类是将数据划分为相似的组，关联规则挖掘是寻找数据之间的相关性，预测是根据已有数据预测未知数据的结果。
3. 医学数据挖掘的常用算法医学数据挖掘常用的算法包括决策树、神经网络、支持向量机、关联规则挖掘和贝叶斯分类器等。
这些算法可以根据具体的任务和数据特点选择使用，以提高挖掘的准确性和效率。
二、医学数据挖掘技术的应用案例1. 疾病预测医学数据挖掘技术可以通过分析患者的临床特征、生化指标和基因表达谱等数据，预测患者是否具有某种疾病的风险。
例如，通过建立机器学习模型，可以根据患者的基因型和环境因素预测乳腺癌的发生风险，从而提供个体化的预防和治疗建议。
2. 药物研发医学数据挖掘技术可以挖掘大量的药物化学结构、生物活性和临床试验数据，辅助药物研发过程。
通过分析药物与靶点之间的关联关系，可以发现新的药物靶点和药物作用机制，加快药物研发的速度和效率。
3. 临床决策支持医学数据挖掘技术可以分析医院的临床数据库和电子病历数据，提供临床决策支持。
例如，通过挖掘患者的病历数据，可以预测出院后的住院死亡风险，帮助医生制定更加合理和个体化的治疗方案。
4. 健康管理与监测医学数据挖掘技术可以分析患者的健康数据，提供个体化的健康管理和监测服务。
医学大数据分析和挖掘
医学大数据分析和挖掘引言医学大数据分析和挖掘是当前医学研究的热门领域。
随着时间的推移，今天的医学已经不再仅仅是以过去所熟知的人工方法来进行研究和分析。
通过使用计算机技术和各种算法转换，我们现在可以从各种各样的医学数据中更精准地获得信息和洞察力，以推动医学的发展。
一. 医学大数据的概念和特点医学大数据是指以医学研究为目的，获得的海量数据。
医学大数据的来源包括医院患者的病例记录、临床试验数据、生命科学数据等。
医学大数据的特点是样本数量庞大、特征复杂、数据精度高。
二. 医学大数据应用1. 电子病历数据分析随着信息技术的快速发展，越来越多的医院采用了电子病历系统。
医生可以通过电子病历系统快速记录、查看和管理患者的病历信息。
电子病历还可以与临床试验和公共卫生计划等其他医疗系统进行互联，从而实现更加智能化的医学服务。
医学大数据分析可以从电子病历系统中提取各种医疗信息，如就诊记录、实验室数据、处方信息等，为医疗保健提供更加准确和有效的支持。
2. 医学生物信息学医学生物信息学是一门交叉学科，将计算机科学和生物学相结合，用于分析生物学和医学系统中的数据。
生物技术已经开始广泛应用于新药研发、癌症研究、基因组学等领域。
医学大数据分析为这些生物技术的研究和发展提供了巨大的潜力，例如基因组学、转录组学和蛋白质组学，这些已经成为当代医学和生物科学研究的主要方法。
3. 临床试验数据分析临床试验数据是医学大数据中一项非常重要的领域。
临床试验一般是在新药上市前的必经之路，为了保证试验结果的科学性和客观性，需要进行多中心、大样本、双盲、随机、对照试验，从而产生大量高质量的数据。
医学大数据分析可以处理这些数据，以找到药物在不同人群中的疗效差异，以及药物副作用和安全性问题，并为临床试验的设计提供支持和改进。
三. 医学数据挖掘的方法和应用1. 聚类分析聚类分析是用于识别数据集中固有的结构的一种方法。
它将数据分组，并找到具有相似性的对象或数据点，并为每个组分配一个标签。
数据挖掘技术在中医四诊研究中的应用
数据挖掘技术在中医四诊研究中的应用随着信息技术的发展，数据挖掘技术在各个领域都得到了广泛的应用。
其中，中医四诊作为中医学的核心内容之一，也开始尝试利用数据挖掘技术来辅助研究和诊断。
本文将介绍数据挖掘技术在中医四诊研究中的应用，并探讨其优势和挑战。
一、数据挖掘技术简介数据挖掘技术是一种从大规模数据中发掘出潜在模式和知识的方法。
它利用统计学、机器学习和数据库技术等多学科的知识，从数据中提取出有用的信息，以帮助决策和预测未来趋势。
数据挖掘技术在商业、金融、医疗等领域都有广泛应用。
二、数据挖掘技术在中医四诊中的应用1. 中医四诊概述中医四诊是中医学中最基本的诊断方法，包括望诊、闻诊、问诊和切诊。
通过观察患者面色、舌苔、脉搏等指标，以及倾听患者的主观感受和症状，医生可以判断出患者的病情和体质，制定相应的治疗方案。
2. 数据挖掘技术在望诊中的应用望诊是通过观察患者的面色、舌苔、眼神等来判断患者的病情。
数据挖掘技术可以对大量的望诊数据进行分析，从中挖掘出不同病症所对应的特征，建立预测模型。
通过这些模型，我们可以对患者的望诊结果进行自动化分类，提高诊断的准确性和效率。
3. 数据挖掘技术在闻诊中的应用闻诊是通过倾听患者的呼吸、咳嗽等声音来判断患者的病情。
数据挖掘技术可以将这些声音信号进行采样和分析，提取出与不同疾病相关的特征。
通过建立相应的模型，我们可以对患者的闻诊结果进行自动化识别和分类。
4. 数据挖掘技术在问诊中的应用问诊是通过询问患者的症状、病史等信息来判断患者的病情。
数据挖掘技术可以对大量的问诊数据进行分析，挖掘出不同病症所对应的特征。
通过建立相应的模型，我们可以对患者的问诊结果进行自动化分类和预测。
5. 数据挖掘技术在切诊中的应用切诊是通过望、闻、问诊的结果来判断患者的疾病和体质。
数据挖掘技术可以将这些诊断结果进行整合和分析，提取出患者的特征向量。
通过建立模型，我们可以对患者的切诊结果进行自动化判断和评估。
医疗大数据的挖掘与分析
医疗大数据的挖掘与分析随着科技的发展，医疗行业积累了大量的数据资源，这些数据蕴含着宝贵的信息和洞察力。
然而，要从这些海量的数据中提取出有价值的信息并用于医疗决策是一项庞大且复杂的任务。
因此，医疗大数据的挖掘与分析成为了提升医疗服务质量和效率的重要手段。
一、医疗大数据的挖掘医疗大数据的挖掘是指通过合理的数据处理和分析方法，发现其中蕴含的隐含规律、知识和信息。
具体而言，医疗大数据的挖掘包括以下几个方面：1. 数据收集：医疗大数据的收集包括从各个医疗机构、医生、患者等多个数据源中获取数据。
这些数据可以是病历数据、医疗影像数据、生理信号数据等。
收集到的数据需要保证准确性和完整性。
2. 数据清洗：医疗数据中常常存在噪声、缺失值和异常值等干扰因素，需要经过数据清洗来消除这些干扰。
数据清洗的过程包括去除重复数据、处理缺失值和异常值、规范数据格式等。
3. 数据整合：医疗数据通常来自不同的数据源，需要将这些数据进行整合，以便进行更深入的分析。
数据整合可以通过数据标准化、数据融合等方法实现。
4. 数据转换：医疗数据可能存在不同的数据类型和结构，需要进行数据转换，以适应不同的分析需求。
数据转换可以包括数据格式转换、数据特征提取等。
5. 数据挖掘模型构建：医疗大数据的挖掘需要借助不同的数据挖掘方法和模型。
常用的数据挖掘方法包括关联规则挖掘、分类与预测、聚类分析等。
二、医疗大数据的分析医疗大数据的分析是指通过对挖掘得到的数据进行进一步的分析，寻找数据背后的含义和规律，提供对医疗决策的支持。
医疗大数据的分析包括以下几个方面：1. 数据描述与统计：通过对医疗数据的描述和统计分析，可以了解数据的基本特征和分布情况，为后续的分析提供基础。
2. 数据可视化：数据可视化是将医疗数据通过图表、图像等方式呈现出来，帮助用户直观地理解数据。
常用的数据可视化方法包括条形图、折线图、热力图等。
3. 预测与预警：基于医疗大数据的历史记录和规律，可以构建预测模型，用于预测患者的疾病风险、治疗效果等。
医疗健康大数据挖掘的技术和方法
医疗健康大数据挖掘的技术和方法随着技术的不断进步和医疗健康行业的发展，医疗健康大数据成为一个备受关注的领域。
对于医疗健康领域来说，大数据的挖掘和分析可以为各种临床诊断和治疗方法提供宝贵的参考和支持，有效提升医疗工作的质量与效率。
一、医疗健康大数据的意义医疗健康大数据包含了大量的病历、诊疗数据、医疗检查数据和生理数据等等，这些数据可以帮助医务人员更好地了解患者的病情和治疗效果，以及整个社会的健康情况。
对于疾病的预防、诊断和治疗策略的制定，医疗健康大数据的应用具有非常重要的意义。
首先，医疗健康大数据的应用可以提升疾病的预防效果。
医疗健康大数据可以分析病例数据、流行病学数据、环境数据等等，从而找出疾病的发生规律、影响因素和预测趋势。
根据这些数据，我们可以采取相应的预防措施，降低疾病的发生率和传播程度，保护公众的健康。
其次，医疗健康大数据的应用可以提高疾病的诊断和治疗效果。
医疗健康大数据可以分析大规模的患者数据和医疗技术数据，发现不同患者之间的差异性和特异性，为医生提供更准确的诊断和治疗方案。
这些方案会更加个性化、精准和有效，能够提高治疗的成功率和减轻患者的痛苦。
总的来说，医疗健康大数据的挖掘和应用能够有效提升医疗行业的工作效率和医疗服务质量，为公众带来更好的健康保障和生活品质。
二、医疗健康大数据的挖掘技术在医疗健康大数据的挖掘过程中，主要涉及到数据的处理和分析两个过程。
数据的处理包括数据收集、清洗、融合、质量控制等等；数据的分析包括数据挖掘、机器学习、人工智能等等。
下面将介绍医疗健康大数据的挖掘技术。
（1）数据挖掘数据挖掘是通过算法和技术从庞大的数据集合中提取有价值信息的过程。
在医疗健康大数据的挖掘中，数据挖掘技术可以发现患者数据中的相关性和潜在模式，挖掘出潜在的诊断标志和治疗方法，并为医生提供更加精准的诊断和治疗方案。
数据挖掘技术主要包括聚类分析、关联规则、分类决策树、神经网络等。
（2）机器学习机器学习是利用人工智能算法和技术，通过学习历史数据和模型，实现智能决策和预测的过程。
医疗大数据的分析与挖掘研究
医疗大数据的分析与挖掘研究随着人类医学科技和医疗技术的不断进步，产生了大量的医疗数据，这些数据记录了人类从患病到康复的整个过程。
这些数据包含病人的个人信息、疾病的诊断和治疗方案、药品的使用情况、医院的管理和运营数据等等。
这些数据具有非常大的价值，如果能够对其进行分析和挖掘，就能够为医学研究和医疗实践提供更为准确和有效的支持。
由于医疗大数据的数据量巨大、结构复杂、格式多样，因此需要采用专业的技术对其进行分析和挖掘。
目前，医疗大数据的分析和挖掘技术主要包括以下几种：1. 数据预处理数据预处理是医疗大数据分析和挖掘的第一步。
由于医疗大数据的数据量很大，因此在进行分析和挖掘之前，需要对数据进行清洗、去重、转换和组合等一系列的预处理操作。
这些操作能够提高数据的质量、准确性和可用性，从而为后续的分析和挖掘工作奠定基础。
2. 数据挖掘数据挖掘是医疗大数据分析和挖掘的核心技术。
它是一种从数据中自动获取有用信息的技术，包括分类、聚类、回归、关联规则挖掘等。
通过数据挖掘技术，能够对医疗大数据进行分析，发现数据中的隐含规律和模式，为医学研究和医疗实践提供更为精准和有效的支持。
3. 人工智能人工智能是医疗大数据分析和挖掘的新兴技术。
它能够对医疗大数据进行深度学习和自我学习，以便不断提高数据的质量和价值。
通过人工智能技术，可以对医学数据进行匹配、预测和诊断，从而为医学研究和医疗实践提供更为准确和有效的支持。
4. 可视化分析可视化分析是医疗大数据分析和挖掘的一种重要技术。
它能够将大量的医学数据进行直观和可视化的展示，在图像和图表上呈现出病人的健康状况、疾病的流行趋势、医院的药品管理等信息，从而为医生和病人提供更为直观和全面的信息。
总之，医疗大数据的分析和挖掘技术正在不断发展和完善，目前已经广泛应用于医学研究、医疗实践和医院管理等领域。
通过对医疗大数据的分析和挖掘，可以更好地了解人类的健康状况和疾病流行趋势，为医学研究和医疗实践提供更为精准和有效的支持。
大数据环境下的医疗数据挖掘与分析
大数据环境下的医疗数据挖掘与分析在当今互联网时代，数据已经成为了一种重要的资源，伴随着科技的发展，我们可以更好地利用数据来帮助人们解决问题。
医疗领域的数据也不例外，越来越多的医疗机构开始收集、整理和运用医疗数据。
在大数据环境下，我们可以利用数据挖掘和分析技术来帮助医疗机构更好地利用医疗数据，为医疗服务提供更好的支持。
本文将探讨在大数据环境下的医疗数据挖掘和分析技术的应用。
一、医疗数据的挖掘医疗数据挖掘是指利用数据挖掘技术，从医疗数据中自动发现潜在的知识和规律。
在医疗领域，医疗数据的形式多种多样，包括病人的诊断记录、药品的使用记录、医疗器械的使用记录等等。
这些数据可以用来分析疾病的发生、药品的使用情况、医疗服务的效果等。
医疗数据挖掘的应用非常广泛，如医疗风险评估、药物适应症研究、疾病预测等。
例如，利用医疗数据挖掘技术可以快速地发现某个药物的适应症和不良反应。
对于药物适应症，我们可以通过分析病人的用药记录，判断哪些疾病最适合使用某个药物，从而为医生提供指导。
对于药物的不良反应，我们可以分析病人的用药记录以及病人的临床表现，从而发现某个药物可能会引起哪些不良反应，以便医生在用药时更加谨慎。
二、医疗数据的分析医疗数据分析是指利用统计学、模型建立、机器学习等技术，对医疗数据进行分析，发现其中的规律、关系和趋势。
医疗数据的分析可以用来改进医疗服务、预测疾病的发生和发展趋势等等。
例如，利用医疗数据分析技术可以分析哪些疾病的患病率最高，哪些病人需要更多的医疗服务等等。
这些分析结果可以帮助医生更好地规划医疗服务，提高医疗效率。
同时，利用医疗数据分析技术还可以预测疾病的发生和发展趋势。
例如，针对某种疾病，我们可以分析大量的病例数据，建立预测模型，从而预测未来可能出现哪些具有高风险的人群，从而提前采取措施防止疾病的发生。
三、大数据环境下医疗数据挖掘和分析的挑战然而，在大数据环境下，医疗数据挖掘和分析也面临着一些挑战。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
案例二
• 原文题目：《地氟醚对老年病人血液动力学的影 响》，为研究地氟醚对老年病人血液动力学的影 响，选择腹部手术老年病人(年龄60一74岁)30例， 所有病人术前肝肾功能检查均正常。在吸入地氟 醚 前 ， 监 测 心 输 出 量 (CO) 、 峰 流 速 (PV) 、 心 率 (HR)、校正的血流时间(FTC)、中心静脉压(CVP)、 心脏指数(CI）、平均动脉压(MAP)、外周血管阻 力(SYR)作为基础值，然后分别调整地氟醚浓度 至0.5MAC、1.0 MAC、1.5MAC、2.0MAC，同时 测定以上各参数。结果见表。统计学处理：采用 T检验来测定差异显著性，P＜0.05为有显著性差 异。
Yes
NO
NO Yes
Good Credit Risks
Bad Credit Risks
Good Credit Risks
聚类分析
支持向量机
H
H
H 2
1
关联分析
神经网络
Q5 Q6
Q3 Q4
I1
I2
factor n
factor 1 factor 2
时间序列分析
Open Accn’t
Add New Product
• 如图所示的人工神经 网络结构为4-6-3-1， 神经网络的结构越复 杂越能拟合复杂的模 型
神经网络的特点
• 优点
▫ 对数据分布要求低，不需要对数据分布进行检验 ▫ 具有很强的数据容错能力（鲁棒性） ▫ 能拟合因素间复杂的非线性关系
• 缺点
▫ 黑箱子模型，难以写出推理过程及模型公式 ▫ 其预测精度受训练集的影响 ▫ 易陷入局部最优解
数据挖掘技术（3）
一．文章错误案例 二．统计分析方法回顾 三．如何正确选择统计分析方法
四．统计分析方法应用案例
一．文章错误案例
案例一
• 原文题目：《美喘清和博利康尼治疗支气管 哮喘各40例临床疗效与副作用比较》，作者 选择80例哮喘病人随机分为美喘清组与博利 康尼组各40例，记录各组病人发生疗效的时 间（见下表）。所得结果用卡方检验进行处 理，认为美喘清较博利康尼发生疗效的时间 早，且差异具有统计学意义(P＜0.05)。
• 点评：同一个病人重复测量了若干血液动力 学指标，地氟醚浓度是与“重复测量’有关 的因素，因而此资料属于具有一个重复测量 的单因素设计资料，作者采用T检验进行两 两比较，因T检验仅适合分析单因素设计且 因素的水个数最多为2的定量资料，因此不 适合分析此类资料。根据数据可采用重复测 量设计资料的方差分析。
• 从数学上可以证明分类面 的几何间隔越大，分类误
几何
差越小
找最优分类面
SVM的特点
• 优点
▫ 对样本量需求小 ▫ 高维识别：对大样本量的数据能降低部分运算复杂
性 ▫ 很好的“鲁棒性”（数据容错能力） ▫ 能处理非线性可分样本 ▫ 得到全局最优解
• 缺点
▫ 对变量数很多的数据计算复杂度很大 ▫ 解决多分类问题效果不好 ▫ 作为分类器，难以解释各因素的影响大小
点评：根据研究目的，每个哮喘患者都能提供一个药
物发生疗效的时间，因而此资料从本质土讲应为定量 资料，表中结果只是为了表达的方便列出不同时点上 的频数分布，并不代表此资料的结果变量就为定性资 料。原作者采用卡方检验分析定量资料，所能回答的 问题与原作者的分析目的不一致。此时得出的结论只 能是美喘清组和博利康尼组在不同起效时间的构成上 存在的差别是否具有统计学意义，并不能得出两组起 效时间之间的差别具有统计学意义。
Decrease Usage
???
Time
决策树的原理
无强制措施 铅中毒诊断
有强制措施
中毒 P=0.73
无中毒 P=0.27
无中毒 P=0.62 中毒 P=0.38
低
P=0.46 中
P=0.43 高
P=0.11
¥0
¥75 ¥150 ¥350
¥18
低 P=0.50
中
P=0.46
高 P=0.04
¥79 ¥146 ¥305
• 支路
决策节点 机会节点
结局节点
▫ 从根节点（决策节 点）到叶节点（结 局节点）为一条支 路
▫ 从一个决策节点放 射出来的支路必须
互斥且包含一切可
能的情况，即每一
方案各种状态发生
的概率之和为1
决策树的特点
• 优点
▫ 直观，易于理解及解释 ▫ 对资料分布无特殊要求
• 缺点
▫ 处理大样本多变量时效率较低 ▫ 分类性能较神经网络与SVM稍差
Ⅳ型错误：即对1个假设进行了多项正确的检验，但在对因果关 系的分析时作出了错误的比较和解释，这些比较并非是 由被使用的模型所定义的。此错误主要出现在结果的解 释阶段。
二．统计分析方法回顾
I. 无假设的数据挖掘方法
决策树
Income>$40K
Yes
NO
Debt<10% of Income
Debt=0%
统计学四型错误
Ⅰ型错误：也称假阳性错误。即当原假设H0客观上成立，但根 据假设检验的规则，将有α大小的概率错误地拒绝H0，同 时错误地接受备择假设H1。
Ⅱ型错误：也称假阴性错误。即当H0客观上不成立，但根据假 设检验的规则，将有β大小的概率错误地拒绝H1，同时错 误地接受H0。
Ⅲ型错误：即最终回答的是1个错误的问题。此错误主要是由于 试验设计不周密不完善所致，如在试验设计中未将重要 的试验因素包括在内。
• 用途
▫ 分类、回归、异常值检测……
人工神经网络
输入层
中间层（隐含层）
输出层
• 神经网络可以分为三 个部分——输入层、 中间层、输出层
• 中间层可以为单层， 也可以为多层
• 一般建模时，输入层 的神经元个数为影响 因素个数，输出层为 结局变量个数，中间 层没有固定的个数， 需要经验和实际情况 确定
• 用途
▫ 预测、模式识别……
聚类概念
• 聚类就是将数据对象组成不同的类，使得不同类 之间的相似性尽量小，而同类对象之间的相似性 尽量大
• 探索性统计分析方法
• 在不知道应分多少类合适的情况下，试图借助某 种数理方法用已收集的资料找出研究对象的适当 分类
• 用法：分类预测，回归预测，卫生决策…
支持向量机原理
支持向量机（SVM）本质上是一种分类判别函数
H2 H
H1
• H是分类面，H1和H2是平 行于H，且分离H最近的两 类样本的直线，H1与H， H2与H之间的距离就是几 何间隔
• 离分类面H最近的样本点， 因其构成了H1，H2平面， 成为H1、H2的支持向量