梁怀新 宋佳霖 郑存芳,2 洪文学*

1(燕山大学电气工程学院，河北 秦皇岛 066004) 2(燕山大学里仁学院，河北 秦皇岛 066004)

引言

乳腺癌是最常见的女性恶性肿瘤之一，不仅是中国也是世界女性发病率最高的肿瘤[1-2]。在中国，乳腺癌的发病率逐年增长，据全国肿瘤中心统计，2015年乳腺癌的病例达到26.9万例，死亡病例高达7万例[3]。并且，随着人们生活水平的提高，中国乳腺癌的发病率仍然呈逐年递增的趋势，严重威胁着女性的身体健康。因其发病机理尚未完全清楚，采用科学的手段针对乳腺癌进行早期诊断对于防治肿瘤具有十分重要的意义。目前，很多学者已对采用机器学习算法诊断乳腺癌进行了相关研究，算法涉及神经网络[4-5]、支持向量机[6]、决策树算法[7]、免疫分类算法[8]等。

很多传统的机器学习算法并不具备增量学习能力，随着数据量的增大，一次性获得知识的完备模式是很困难的，根据人类渐进式认知原理，学习知识是一个循序渐进的过程。因此，在机器学习中引入增量学习的思想尤为重要，目前增量学习的机器学习算法涉及神经网络[9]、概念格的构建[10]、随机森林[11]、支持向量机[12]、多模态增量学习[13]等。增量学习的出现使得动态自学习成为可能，有助于在大数据背景下快速挖掘有价值的信息获得完备模式。如今，机器学习方法是否具有增量学习，已经成为衡量学习方法好坏的一项重要指标。

Lasso(least absolute shrinkage and selected operator)算法[14]是一种新的高维特征选择正则化方法，于20世纪末被提出，可实现特征因子变量精简的效果。……