[發(fā)明專利]一種基于極端梯度提升算法的新型冠狀病毒分類方法

在審

• 申請?zhí)枺?/td>: 202110039827.3
• 申請日: 2021-01-13
• 公開（公告）號: CN112766352A
• 公開（公告）日: 2021-05-07
• 發(fā)明（設計）人: 馬寶山;柴冰潔;陳玉珍;張樹正;吳一銘;羅璐瑤
• 申請（專利權）人: 大連海事大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G16H50/80
• 代理公司: 大連至誠專利代理事務所(特殊普通合伙) 21242
• 代理人: 張海燕;楊威

1.一種基于極端梯度提升算法的新型冠狀病毒分類方法，包括如下步驟：

步驟1、獲取三種現(xiàn)存病毒數(shù)據(jù)集和新型冠狀病毒數(shù)據(jù)集；

步驟2、預處理三種病毒數(shù)據(jù)集和新型冠狀病毒數(shù)據(jù)集，之后將三種病毒數(shù)據(jù)集作為訓練集，新型冠狀病毒數(shù)據(jù)集作為獨立測試集；

步驟3、使用訓練集訓練并優(yōu)化XGBoost模型，并獲取最優(yōu)模型；

步驟4、使用最優(yōu)模型結(jié)合模型的特征選擇功能對獨立測試集分類，得到模型評估指標和測試集的預測標簽。

2.根據(jù)權利要求1所述的一種基于極端梯度提升算法的新型冠狀病毒分類方法，其特征在于，所述步驟1獲取三種現(xiàn)存病毒數(shù)據(jù)集和新型冠狀病毒數(shù)據(jù)集，其步驟包括:

步驟1a、從美國國家生物技術信息中心、全球共享流感數(shù)據(jù)倡議組織、Virus-Host DB三個平臺獲取所需的病毒數(shù)據(jù)，包括甲型冠狀病毒屬，乙型冠狀病毒屬，丁型冠狀病毒屬，COVID-19序列；

步驟1b、排除所有小于2000堿基對和大于50000堿基對的DNA序列。

3.根據(jù)權利要求1所述的一種基于極端梯度提升算法的新型冠狀病毒分類方法，其特征在于，所述步驟2預處理三種病毒數(shù)據(jù)集和新型冠狀病毒數(shù)據(jù)集，之后將三種病毒數(shù)據(jù)集作為訓練集，新型冠狀病毒數(shù)據(jù)集作為獨立測試集，其步驟包括：

步驟2a、將DNA序列映射成離散數(shù)字序列；

步驟2b、采用零填充方法將DNA序列對應的離散數(shù)字序列長度歸一化到25000，其中長度小于25000的序列通過零填充擴展到25000，而長度大于25000的序列將其超過25000的部分刪除；

步驟2c、將所述離散數(shù)字序列進行離散傅里葉變換(DFT變換)，取模后得到幅度譜，該幅度譜也是DNA序列的幅度譜；

步驟2d、計算出所有序列的幅度譜后，將甲型冠狀病毒屬,乙型冠狀病毒屬,丁型冠狀病毒屬的所有序列的幅度譜整合到一個數(shù)據(jù)集中，該數(shù)據(jù)集作為訓練集數(shù)據(jù)，COVID-19序列的幅度譜整合到另一個數(shù)據(jù)集中，該數(shù)據(jù)集作為獨立測試集數(shù)據(jù)。

4.根據(jù)權利要求1所述的一種基于極端梯度提升算法的新型冠狀病毒分類方法，其特征在于，所述步驟3使用訓練集訓練并優(yōu)化XGBoost模型，并獲取最優(yōu)模型，其步驟包括：

步驟3a、將訓練集數(shù)據(jù)劃分為五份，其中一份作為驗證集，其余四份作為訓練集；

步驟3b、結(jié)合網(wǎng)格搜索法和三折交叉驗證對XGBoost模型的參數(shù)進行調(diào)整，將訓練集劃分成三份，其中一份作為內(nèi)部測試集，另外兩份作為內(nèi)部訓練集，在不同的參數(shù)組合下使用所述內(nèi)部訓練集訓練XGBoost模型，使用所述內(nèi)部測試集對XGBoost模型的分類性能進行評估，該步驟重復三次，得到三次評價指標中最高分數(shù)對應的參數(shù)，作為XGBoost模型的最佳超參數(shù)；

步驟3c、在訓練集上使用最佳超參數(shù)訓練模型，使用訓練好后的模型對驗證集預測，得到模型對驗證集的評估指標；

步驟3d、重復步驟3(a)至3(c)五次以實現(xiàn)五折交叉驗證，在五個驗證集中得到的評價指標取平均值作為XGBoost模型最終的分類性能指標；

步驟3e、選出五次訓練出的模型中的最優(yōu)模型，用以對獨立測試集分類。

5.根據(jù)權利要求1所述的一種基于極端梯度提升算法的新型冠狀病毒分類方法，其特征在于，所述步驟4使用最優(yōu)模型結(jié)合模型的特征選擇功能對測試集分類，得到模型評估指標和測試集的預測標簽，其步驟包括：

步驟4a、利用在訓練集上訓練好的最優(yōu)模型進行特征重要性排序，得分高的前L個特征為選取的特征子集；

步驟4b、選取訓練集上的特征子集訓練模型，在相同的特征方案下對測試集進行評估，得到模型評估指標以及測試集的預測標簽。