medical-math-modeling-master.zip

data_generator.py 是根据中医诊断生成的训练数据，诊断原理如下: > 心悸：心阳不足。 > > 失眠：心火旺盛、肝火扰心或肾阴亏损。 > > 头晕：肝阳上亢或肾阴不足有关。 > > 易怒：肝阳偏盛。 > > 便血：脾阳不足或。 > > 食欲不振：脾阳不振有关。 > > 腹泻：脾阳不足或肾阳虚弱。 > > 便秘：脾阳虚弱。 > > 咳嗽：肺阴不足。 > > 呼吸困难：肺阳不足或心阳不足有关。 > > 乏力：脾肾阳虚有关。 > > 盗汗：心阴不足。 > > 手脚冰冷：脾肾阳虚有关。 > > 月经不调：肝阳虚弱、脾肾阴虚有关。 > > 皮肤干燥：肺阴不足或脾肾阴虚有关。 > > 口干：胃阴不足或肾阴亏损有关。 > > 耳鸣：肝肾阴虚有关。 > > 胸闷：多与心肺阴虚有关。 > > 失眠多梦：心阳旺盛或肝阳扰心有关。 > > 四肢无力：与脾肾阳虚有关。 `main.py` 中设计了一个两层的神经网络 `main1.py` 中设计了一个三层的神经网络 dataset0 表示未加入噪音 准确率最高为100% dataset1 表示加入噪音, 方差为0.1 准确率最高为100% dataset2 加入的噪音方差为0.2 准确率最高为95% dataset3 加入的噪音方差为1, 就是正态分布的噪音 准确率最高为55% dataset4 加入的噪音方差为0.5, 准确率最高只有不到30%, 比正态分布要少, 这不科学! dataset5 加入的噪音方差为0.4, 准确率最高为58%左右 dataset6 加入的噪音方差为0.3, 准确率最高为69.70% dataset7 加入的噪音方差为0.25, 准确率最高为83.84% dataset8 加入的噪音方差为0.25, 数据量增加到1万条, 准确率最高为86.39% (数据量的增加对模型的预测准确率有一定的影响) **dataset9 加入的噪音方差为0.25, 数据量进一步增加为10万条, 准确率在两层和三层模型中均为86%, 并没有进一步提高** > 这是否有数学方面的依据, 怀疑和置信区间有关. > > 机器学习的本质就是寻找一个函数来尽可能的逼近我们需要的映射关系, 我们可以在数学理论中证明, 在包含足够多的神经元的前馈网络可以以任意精度近似任何连续函数. > > **这个理论就是`通用近似定理`, 即无论我们需要的这个函数有多么复杂, 总有一个神经网络能够以任意高的精读去近似它, 也就是神经网络在理论上可以解决任何问题** > > 但是在实践中MLP有很多明显的缺点, 比如, 我们要想更好的近似这个复杂函数, 就只能通过增加隐藏层的神经元个数来提升精度. 实验结果表明在本课题中, 三层的神经网络没有更加明显的优势, 而且通过调整每层的参数规模也没有获得更好的效果. 可能原因: 一方面是由于输入变量的稀疏性较强, 关联性也较强所以效果并不明显; 另一方面数据整体的逻辑比较简单, 使用较少的神经元即能拟合之. 由于模型生成的预测向量中的元素均是一个分布在`[-1,1]`之间连续的值, 所以首先对每个元素判断: 若 $ \hat{y_i} > 0.5 $ 则赋值其为 `1`, 若 $\hat{y_i} < -0.5$ 则赋值其为 `-1`, 否则为 `0`. ```python # 当元素大于0.5时,值为1;当元素小于-0.5时值为-1; 当元素介于0.5和-0.5时 值为0 predicted = torch.where(outputs > 0.5, torch.tensor(1.0, device=device), torch.where(outputs < -0.5, torch.tensor(-1.0, device=device), torch.tensor(0.0, device=device))) ```