深度学习模式下大数据特征集成分类算法

摘要

由于大数据通常来自不同的数据源，具有不同的格式、结构和质量，且其中包含大量的冗余特征，因而在进行特征集成分类时，这些因素均会影响数据分类精度，为此，设计一种深度学习模式下大数据特征集成分类算法。基于深度学习模式建立医疗大数据特征提取模型，针对模型训练过程中会引入大量噪声，特征提取结果含有部分无关特征信息，影响特征集成分类结果的问题，采用堆叠稀疏降噪编码器抑制无关特征，即使用散度函数、贪婪算法找出训练最佳参数，运用损失函数将特征空间无关特征稀疏掉，得到实际数据特征。通过Auto-encoder网络搭建特征集成分类模型，借助类型约束函数、目标函数得出各类全局最佳集成中心，完成数据特征集成分类。实验结果表明，所提方法在医疗大数据的分类中得到很好效果，宏平均值在0.95以上，且分类速度快，表明所提方法的分类性能较好。

关键词

深度学习 / 医疗大数据 / 特征集成 / 堆叠稀疏降噪编码器 / 集成中心