赵金超,李 仪,王 冬,张俊虎

(青岛科技大学 信息科学技术学院，山东 青岛266061)

目前医学领域正面临由传统医学模式向精准医学模式转变的契机，给人工智能技术充分参与医疗实践活动创造了有利的环境[1-2]。国内外研究人员，依靠不同的算法，通过对心脏病进行分类从而实现帮助医生进行辅助诊断，正在进行大量的研究工作。COMAK等[3]在2007年通过支持向量机建立了对心脏病识别的系统。PARTHIBAN等[4]在2011年应用朴素贝叶斯算法在心脏病治疗上。史琦等[5-7]连续3 a分别使用数据挖掘、决策树、模式识别对心脏病进行了分类预测研究，史瑜等[8]在2015年用K近邻算法对心脏病进行分类，得到了75%的准确率。医生在诊断患者时，主要根据病人的一系列的医学检查结果，自己学习的医疗知识和以往的经验，对病人是否患有该疾病进行判断。然而在医生做出判断时，会由于人为不可抗原因，可能会产生错误判断。而目前流行的通过医疗与机器学习算法相结合的方法，能够帮助医生有效减少误诊率，提高诊疗准确率和效率，对医疗事业的发展有着推动作用。在机器学习算法中，随机森林就是一种易理解，易应用的集成学习的方法，本研究基于随机森林算法建立一种KNN-RF模型，对心脏病进行辅助诊断，通过对算法进行优化和与其他机器学习算法对比，获得较高准确率。

1 算法原理

随机森林的基本组成单元是决策树，对用与分类与回归问题的研究，它是许多各自独立同分布的决策树结合而成的，组成随机森林的每一棵决策树都会对输入数据进行分类处理，处理完成后，对每棵树的决策结果进行投票处理，票数高的即为输出结果。……