基于RF算法的糖尿病预测开题报告

1. 研究目的与意义（文献综述）

1.1研究背景和意义

分类算法常用于提取数据特征、构造数据模型以达到预测和和分类的目的，它作为机器学习算法中举足轻重的一部分，在过去的几十年间有了较好的发展，出现了一批优秀的算法。其中有效率稳定、对缺失数据不敏感的的贝叶斯（bayes）算法；有可以解决高维问题和非线性问题的支持向量机（svm）算法；有高效易于理解的决策树（decision tree）算法；也有构造简单、精度高、不用担心过拟合（overfitting）的adaboosting算法。当然，除了上述这些，还有其他很多独具特点的算法。

但是每一种算法也都存在问题，于是集成学习（ensemble learning）逐渐发展起来。集成学习就是使用一系列模型进行学习，并将各个学习方法通过某种特定的规则进行整合，以获得比单个模型更好的学习效果。作为集成学习中的优秀代表，随机森林（random forest）算法自2001年由leo breiman等人提出后一直拥有广泛的研究和应用前景。它在很多方面相比以往的分类算法都有较大的优势，因此二十年来对它逐渐在各个领域都显示出了举足轻重的意义。

2. 研究的基本内容与方案

2.1基本内容

（1）深入学习并理解机器学习，重点是随机森林算法；

（2）从算法处理的角度了解、分析数据集的特点；

3. 研究计划与安排

（1）2020/1/13—2020/2/28：确定选题，查阅文献，外文翻译和撰写开题报告；

（2）2020/3/1—2020/4/30：算法设计与实现、模型训练、模型测试与实验分析；

（3）2020/5/1—2020/5/25：撰写及修改毕业论文；

4. 参考文献（12篇以上）

[1] leo breiman.random forests[j].machine learning,2001,45(1):5-32.

[2] zou quan,qu kaiyang,luo yamei,yin dehui,juying,tang hua.predicting diabetes mellitus with machine learning techniques[j].frontiersin genetics,2018,9:1-10.

[3] maniruzzaman md,rahman md jahanur,al-mehedihasanmd,suri harman s,abedin md menhazul,el-baz ayman,suri jasji s.accurate diabetesrisk stratification using machine learning:role of missing value andoutliers[j].journal of medical systems,2018,42(5):1-17.