生物系统建模与分析·SVM

数据准备

导入arrhythmia数据集，进行预处理：

SVM建模

对前九个变量进行枚举，建立SVM模型并计算准确率：

结果为：

	Age, years	Sex (0=male, 1=female)	Height, cm	Weight, kg	QRS duration	P-R interval	Q-T interval	T interval	P interval
1		0.6238	0.5643	0.5643	0.6667	0.5643	0.5643	0.6405	0.5643
2			0.6238	0.6238	0.6310	0.6238	0.6238	0.6167	0.6238
3				0.5690	0.6667	0.5667	0.5643	0.6429	0.5667
4					0.6786	0.5643	0.5643	0.6333	0.5643
5						0.6548	0.6619	0.6786	0.6548
6							0.5643	0.6429	0.5643
7								0.6429	0.5643
8									0.6405
9

结果显示，特征4、5，即体重与QRS时限识别患者效果最好。将数据载入Classification Learner工具包，选取变量4、5进行详细计算，结果如下：

结果

$$
beta_1=-0.0326236821799308,beta_2=0.122790292956408
$$
$$
beta_0=-0.327696983814950
$$

散点图

混淆矩阵

由图可知，模型的假阴性率较高，灵敏度不足。

ROC曲线

AUC值略高于0.7，分类效果一般。

总结

两个特征似乎不足以识别心律失常者。应增加特征选择，或采用新的方法。经检验，将全部278个变量加入建模可将准确率提高到75%，而采用神经网络模式识别可将准确率提高到90%以上。