摘 要

慢性肾脏病（CKD）患者逐年增加，心血管疾病作为其最主要的并发症，决定着CKD患者的预后。尽管目前临床医师已经对CKD患者进行了相对全面的检查，并已经使用药物对心脏功能进行早期的干预性治疗，但CKD患者心血管疾病并发症仍有很高的发生率及病死率。CK不仅仅是一个临床问题，肾脏替代治疗消耗大量的医疗资源，患者生活质量大大下降。慢性肾病（CKD）是一个日益严重的医学问题，它会降低肾功能的生产力，进而损害肾脏。CKD现在很常见；心血管感染和终末期肾病是两种威胁生命的疾病，可作为CKD的后遗症引起。可以想象，通过早期可识别的情况和对处于危险中的人的治疗，这些疾病是可以预防的。对医疗问题的预期是一项非常棘手的任务。CKD是临床上最致命的疾病之一。在认识CKD预测为时已晚之前，为了消除风险，预测风险因素是当前阶段的一个重要必要步骤。在本文中，我们应用了六种算法。Naïve Bayes、随机森林、简单logistic回归、决策树桩、线性回归模型、简单线性回归用于预测CKD的风险因素。考虑到这些策略的有序执行和研究，六种算法给出了更优、更快的特征化执行。对数据集应用了六种单独的算法，通过对预测风险因素的分类，获得了最佳结果。
关键词 危险因素；分类；心血管疾病；慢性肾病；甲状旁腺激素

引言

现在一天，慢性肾病的比例正在迅速上升。CKD的现状阻碍了人类的日常生活，并导致心力衰竭。在孟加拉国，许多人都面临着这个问题。在大多数情况下，农村地区的人们都没有意识到这一点，因为他们缺乏无拘无束的感觉，很少有感觉是CKD的主要原因。科技发展迅速，但人们对此并不警觉。因此，他们的肾脏面临着巨大的风险。当肾脏的功能不能正常发挥作用时，人们需要移植不太合适的肾脏。一些肾脏疾病会出现各种症状，肾脏也会受到损害，它不能按应有的方式过滤血液。有时它是无法治愈的，慢性的。许多症状可以用来预测肾脏疾病的危险因素。本文旨在分析CKD的危险因素，提醒患者保持健康。大多数情况下，它可以帮助医生轻松识别症状，并在不久的将来采取适当的措施减少症状。对于这种预测分析，使用了几种名为Naïve Bayes、Random Forest、Simple Logistic回归、Decision Stump、线性回归模型、Simple Linear回归的算法来预测风险因素。

1 相关工作

为了利用信息挖掘方法从慢性肾脏疾病数据集中收集有用的事实，已经完成了不同种类的工作[8]。这样做是为了减少检查时间，更重要的是，借助信息挖掘分类技术，它将扩大期望的准确性。数据挖掘同样被用于少数感染的目标和预测。K、 Erŏglu和T.Palaba̧s提出了将六个分类器KNN、NB、SVM、选择表、RF、J48和三个装备度量连接起来的指导。的创建者利用k-means算法和Apriori，尝试不同的方法治疗持续性肾病。介绍了一种利用SVM、DT、NB和KNN计算识别CKD的方法。Ani R等人改变了计算的不同特征，例如，DT、NB、LDA分类器、反向传播网络（BPN）、随机子空间和KNN。为了抵消CKD带来的死亡率，应用DT和NB表征方法预测CKD，制定了一个计划，可以在开始阶段估计慢性肾病？他们使用了一些神经网络算法。由……领导的审判M、 S.Wibawa、I.M.D.Maysanjaya和I.M.A.W.Putra测试了KNN、CFS和AdaBoost的截断。其繁荣率为98.1%。M、 P.N.M.Wickramasinghe等人通过从患者的临床记录中获取信息，然后对这些记录进行排列计算，提出了一种探索浓缩物，这为CKD患者提供了一个合理的饮食方案。Arora，M.和Sharma，E.A.提出了一种信息挖掘技术，该技术在weka的设备中具有释放窗口到执行的识别能力。Astha Ameta女士基本上保留了信息挖掘策略和技术，通过这些策略和技术可以预测持续性肾脏感染。因此，毫无疑问，信息挖掘是预测长期肾病的一种更实用的工具。我们提出的技术将研究天真Bayes、随机woods和简单计算的复发分类器的描述，发现更好的CKD准确性，并寻求识别CKD的最佳答案。A、 J.Aljaaf和Deepika B等人，基于机器学习算法对CKD早期进行分析，找出最显著的因素。Siddheswar Tekale和S.Pitchumani Angayarkanni等人，他们预测CKD的早期阶段，并找出更准确的预防方法。Marwa Almasoud等人使用机器学习的最少编号预测检测CKD。从决策树桩、线性回归模型、简单线性回归计算的探索性结果中，发现了优于不同算法的首选因素定位。

2 PTH与心血管事件

以往认为PTH在钙、磷稳态调节中有不可替代的作用，作为中分子尿毒症毒素，主要在肾脏中灭活，骨骼及肾脏是PTH公认的作用靶器官，CKD患者往往伴随着继发性PTH亢进。近期，学者们逐渐将目光转向心脏，发现PTH对这个非传统意义的靶器官同样发挥着重要作用。
研究表明，PTH具有潜在毒性，可能引起血管钙化、主动脉瓣钙化及动脉硬化，更加作为心血管系统的独立危险因素，影响着高血压、心肌肥厚、心脏衰竭等疾病的发生及发展。当PTH水平>1000ng/L时，切除继发性甲状旁腺功能亢进患者的甲状旁腺，其心脏质量及功能明显好转，慢性肾脏病及透析的临床实践指南也建议当CKD患者PTH>3×10°ng/L时应进行干预治疗，Hoorm研究发现，正常人群血清PTH水平增加（>6.5×10°ng/L）引起老年人口病死率升高，其中，最主要的死亡原因是心血管系统疾病，有报道尿毒症患者体内过量的PTH与心肌纤维化有关，并同时出现转化生长因子β的高表达效应。有研究发现对大鼠心肌细胞进行体外培养，使用PTH的大鼠心肌细胞发生肥大效应，并且这种肥大效应与PTH的浓度呈正相关，ERK1/2途径参与其中。也有另外的数据表明，PTH在引起心肌肥厚及加速心脏纤维化的同时，伴随着smad2磷酸化的加强。虽然PTH致心肌肥厚的分子机制尚不十分明确，但其致心肌肥厚及纤维化的作用已被肯定。

3 镁离子与心血管事件

镁离子是细胞内含量第二、细胞外含量第四的阳离子，是维持和调节细胞功能所必需的电解质，镁的平衡依靠胃肠道、骨骼、肾脏共同参与，主要由肾脏排泄，内科住院患者中约有20%患者出现不同程度的低镁血症。虽然高镁血症的主要原因是慢性肾衰竭，但由于利尿剂的使用、肾小管酸中毒、饮食控制、质子泵抑制剂及低镁透析液的使用等原因，CKD患者普遍存在低镁血症，相对于低钠血症、低钙血症、低钾血症，低镁血症往往被忽略。
人体内60%的镁离子存在于骨骼，39%在细胞内，只有1%在细胞外液，尽管血清镁浓度并不能反映体内实际镁含量，血液透析患者血清镁水平与脂质、血清钙、PTH并无明显相关性，血清镁离子可能作为心血管事件的独立预测因子，影响着心脏的点活动、心肌收缩功能。Liu等在2013年进行了98例维持性血液透析患者的临床研究，发现低镁血症可能会影响血液透析患者心血管疾病的发生。
Sakaguchi等在2014年进一步确定了这一说法，试验对142555例血液透析患者进行队列研究，发现低镁血症不仅是心血管疾病的危险因素，还作为独立的风险因子，影响着血液透析患者的病死率。
不仅仅是CKD患者，2011年Reffelmann等对4203例健康人群为期5年的随访研究得出结论，发现低镁血症与心血管疾病及病死率高度相关，并可以预测左心室肥厚。此外，镁离子缺乏也会产生血管紧张素Ⅱ-醛固酮、高脂血症，加重了高血压及动脉粥样硬化性心血管疾病的发生。
镁离子对于心血管系统的作用可能是一个极其复杂的机制，低镁血症致室性心律失常是众所周知的，但其具体机制尚不完全清楚，可能与低镁血症时共存低钾血症或者低钙血症等其他的电解质紊乱有关。严重的低镁血症常常伴随着低钙血症及低钾血症，患者病死率增加。镁剂治疗在多种疾病，如哮喘、心肌梗死、子痫前期的作用已被肯定，此外，镁剂治疗可以使血压降低10~15mmHg（1mmHg=0.133kPa）。虽然低镁血症致心血管事件的作用并不如低钾血症或低钙血症那样明显，但正因如此，低镁血症甚至比低钾血症或低钙血症对于致心律失常的发生上更为重要，对镁离子进行早期的监测及干预性治疗是必要的。

4 拟议方案

数据挖掘用于诊断已成为当今技术发达国家的一种存在趋势。人体内有许多生存器官，如果它们不能正常工作，人的生命就会受到威胁。肾脏是主要的他们的器官。它帮助我们减少体内的废物。它不仅过滤多余的液体，而且过滤血液中的有毒物质。肾脏可以控制身体的红细胞、血压，并实现红细胞生成素、激肽释放酶等酶类。慢性肾病最终成为全球关注的福祉问题，其占主导地位不断上升。绒毛膜肾病，也称为慢性肾流产，描述了肾功能的持续下降。必须采取一些措施来预测和控制它。利用不同的信息数据挖掘策略。提出的模型是用大数据集预测肾脏疾病，以提高模型的准确性，并找出CKD的显著和非显著危险因素。使用朴素贝叶斯算法、简单logistic回归、随机森林预测模型的准确性，线性回归模型、决策树、简单线性回归模型重新使用，找出CKD的最显著和非显著风险因素。
朴素贝叶斯分类和剖析最重要的可行方法。朴素贝叶斯分类器是基于贝叶斯定理的具有似然性的简单分类器。在我们的分析中，在CKD预测范围内，随机森林的完成率高于朴素贝叶斯。朴素贝叶斯预测的准确率为93.9056%，随机森林预测的准确率为98.8858%，简单logistic预测的准确率为94.7679%。因此，从准确度预测结果，即在特定时间间隔内有多少患者的测量单位患有持续性肾病。
随机森林在精度表达式上表现得更好，而数据集上的f度，虽然是朴素的贝叶斯，但似乎更准确。随后，可以说，在CKD分析的预期范围内，随机森林的完成率高于简单logistic和朴素贝叶斯。
在该方法中，已经实现了六种算法来预测CKD的风险因素。将这些算法关联起来，形成一种非常有效的预测CKD风险因素的方法，确保在预测时缺陷非常少。
在第一步中，通过预处理为实际操作准备数据。起初，选择了一些信息来将其集成到非常小的部分中。然后进行数据清理并分离。最后，获得了CKD的合成数据集。
在获得合成数据集之后，数据集的分配将发生在两个单独的操作中，这两个操作是规范化数据，即格式化数据。完成这两项操作后，将其合并，并检查以获得“Z”分数。应用了Z是否大于2的条件。如果没有，那么就没有发现疾病，这个过程就结束了。但如果符合条件，就会发现疾病。
Z评分标准化可能是一种标准化数据的策略，可以避免这种异常值问题。Z分数归一化公式如下：v a l u e− μσ\frac{值-\mu}{\ sigma}σ值−这里，μ是特征的平均值，σ是特征的方差-2是Z分数的形式值，它是能够满足标准归一化过程的最小阈值条件。Z分数对于理解数据的概率非常有帮助，可以轻松地对其进行规范化。

图1拟议模型的流程图
发现疾病后，将数据分为测试数据和列车数据两部分。在此之后，应用六种算法来找出风险因素。Naïve Bayes、Random forest、Simple logistic回归用于确定CKD和决策树桩的预测精度，线性回归模型、Simple线性回归用于计算CKD的风险因素。之后，找到了结果，得到了一个模型，并对模型进行了可视化。在识别出这个预测之后，进行了分析。最后，执行操作的处理和关闭。

5 数据集描述

根据之前的研究，从调查中收集信息，并为数据收集创建问卷。然后，从孟加拉国一所著名的医学院收集患者的医疗数据。问卷中添加了病例和对照型问题。问卷还包括年龄、血压、高血压等。创建调查问卷后，通过此调查问卷收集数据，并将数据集格式化为CSV格式，收集了1032个患者数据。我们将68%的数据用于培训过程，32%的数据用于测试过程。整个数据预处理过程易于维护，我们可以获得有价值的输出来分析它。
表1 CKD风险等级阶段

5.1 数据集预处理

在收集数据集之后，我们对数据进行了预处理，因为在实时数据集中，数据经常丢失或包含垃圾值。因此，我们通过其属性列的平均值来填充缺失值，平滑噪声值。数据编码还用于将数据从字符串转换为数字。一些属性，如年龄、比重、血糖调节器、血红蛋白等，以连续的形式组织起来。

5.2 数据集预处理

决策树桩：决策树桩是一棵决策树。它只利用了一个单独的特征来分手。这通常意味着树只包含一个单独的内部中心，用于离散积分，需要注意的是，根只有叶子作为替换中心。如果这个属性很可能是数学性质的，那么这棵树可能更令人难以置信。决策树桩是一种人工智能模型。它由一级决策树组成。也就是说，这是一个决策树与终端集线器快速关联的内部集线器。决策树桩在UCI vault中一些经常使用的基准数据集上表现得令人震惊，该数据库概述了高偏差和低方差的学生可能表现良好，因为他们不太倾向于过度拟合。
简单线性回归：简单线性回归是一种可测量的技术。它允许总结和研究两个不间断（定量）因素之间的联系：一个变量，表示为x，被视为指标、逻辑或自由因素。回归允许评估依赖变量随自由变量变化的方式。利用简单线性回归来评价两个定量因素之间的联系。然而，由于其特殊性质，该策略是简单线性回归中最快的策略之一。除了拟合系数和捕获项外，它还返回基本测量值，例如R²系数和标准误差。
方程：
（1）

这里，Y是（Y）的因变量，alpha是常数；X是（X）的自变量，即X的系数；e是误差项。
朴素贝叶斯：朴素贝叶斯可能是一种机器学习概率算法，将用于分类任务的扩展。典型的应用包括文档分类、情绪预测等。这将是一个概率演示，计算通常是有效编码的，因此，预测速度非常快。已成功用于多种用途；朴素贝叶斯可能是一种支持贝叶斯定理的概率机器学习算法。贝叶斯定理是条件概率定律。它用于分类小训练数据的参数估计。它在多类预测中表现良好。
简单逻辑回归：这是一个简单的算法，您可以简单地将其用作性能基线，它易于实现，并且在许多任务中都具有足够好的性能。因此，每个机器学习工程师都应该熟悉其概念。像许多其他机器学习技术一样，它是从统计学领域借用来的，尽管它的名字叫什么，但它不是一种回归问题的算法，在回归问题中，你想要预测无限的结果。它用更简单的话来说，结果要么是一件事，要么是另一件事。
随机森林：“随机森林”可能是由各种选择树组成的分类算法。在构建每棵树时，它利用积载并突出任意性，旨在形成一个不相关的树木木材，而专家组的期望比人员树。在训练集中，百到千棵树都是按维数计算的，样本树的数目是B。每个训练样本的预测误差为Xi，Xi只使用bootstrap样本来拟合训练样本，测试误差往往在一定数量的树上。
线性回归：线性回归可能是一种基本的、经常使用的非常有预见性的调查。回归的总体思路似乎有两件事：（1）指标因素在预测次级波动方面表现出色？（2） 具体来说，哪些因素是结果变量的巨大指标，它们会以何种方式——通过贝塔评估的程度和指示来影响结果的波动？回归条件的最小数量复杂排序的特征是配方y=c+b*x，其中y=评估的次级变量得分，c=一致，b=参数统计，x=自由因子得分。

6 实验代码

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import GridSearchCV， train_test_split， cross_val_score
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import r2_score
import scipy.stats as stats
import seaborn as sns
import missingno as msno%matplotlib inline
df = pd.read_csv（'kidney_disease.csv'）
df.drop（'id'，axis=1，inplace=True）
df['classification'].replace（to_replace=“ckd\t” ，value=“ckd”，inplace=True）
data = df
data.head（）
df.shape
df.describe（）
df.isna（）.sum（）
df.corr（）
countNoDisease = len（df[df['classification'] == 0]）
countHaveDisease = len（df[df['classification'] == 1]）
print（“Percent of Patient Have't Heart Disease： {：.2f}%”.format（（countNoDisease / （len（df['classification']））*100）））
print（“Percent of Patients have Heart Disease： {：.2f}%”.format（（countHaveDisease / （len（df['classification']））*100）））
df['分类'].value_counts（）.plot（kind='bar'， color=['salmon'， 'lightblue']，title=“Count of Diagnostic of Kidney Disease”）
df['age'].plot（kind='hist'）
p = msno.bar（df）
plt.subplot（121）， sns.distplot（df['bp']）
plt.subplot（122）， df['bp'].plot.box（figsize=（16， 5））
plt.show（）
data['classification'] = data['classification'].map（{'ckd'：1，'notckd'：0}）
data['htn'] = data['htn'].map（{'yes'：1，'no'：0}）<
data['dm'] = data['dm'].map（{'yes'：1，'no'：0}）
data['cad'] = data['cad'].map（{'yes'：1，'no'：0}）
data['appet'] = data['appet'].map（{'good'：1，'poor'：0}）
data['ane'] = data['ane'].map（{'yes'：1，'no'：0}）
data['pe'] = data['pe'].map（{'yes'：1，'no'：0}）
data['ba'] = data['ba'].map（{'present'：1，'notpresent'：0}）
data['pcc'] = data['pcc'].map（{'present'：1，'notpresent'：0}）
data['pc'] = data['pc'].map（{'abnormal'：1，'normal'：0}）
data['rbc'] = data['rbc'].map（{'abnormal'：1，'normal'：0}）
data['classification'].value_counts（）
plt.figure（figsize = （19，19））
sns.heatmap（df.corr（）， annot = True， cmap = 'coolwarm'） # 寻找与“class” row
data.shape data.columns（data.shape[0]，data.dropna（）.shape[0]）
data.dropna（inplace=True）
data.shape.shape 的强相关性
from sklearn.linear_model import LogisticRegression
logreg = LogisticRegression（）
X = data.iloc[：，：-1]
y = data['classification']X_train， X_test， y_train， y_test = train_test_split（X，y， stratify = y， shuffle = True）logreg.fit（X_train，y_train）
logreg.score（X_train，y_train）
logreg.score（X_test，y_test）
pd.DataFrame（logreg.coef_， columns=X.columns）
sns.set（font_scale=1.5）
def plot_conf_mat（y_test，y_preds）：“”“此函数将使用 seaborn”“”fig，ax=plt.subplots（figsize=（3，3））ax=sns.heatmap（confusion_matrix（y_test，y_preds），annot=True，cbar=False）plt.xlabel（“True Label”）plt.ylabel（“Predicted Label”）
log_pred = logreg.predict（X_test）
plot_conf_mat（y_test， log_pred）
df[“classification”].value_counts（）
balance_df = pd.concat（[df[df[“classification”] == 0]， df[df[“classification”] == 1].sample（n = 115， replace = True）]， axis = 0）
balance_df.reset_index（drop=True， inplace=True）
balance_df[“classification”].value_counts（）
ss = StandardScaler（）
ss.fit（X_train）
X_train = ss.transform（X_train）
X_test = ss.transform（X_test）
knn_pred = model.predict（X_test）
plot_conf_mat（y_test， knn_pred）
tn， fp， fn， tp = confusion_matrix（y_test， preds）.ravel（）print（f'True Neg： {tn}'）
print（f'False Pos： {fp}'）print（f'False Pos： {fp}'）
print（f'False Neg： {fn}'）
print（f'True Pos： {tp}'）
feature_dict=dict（zip（df.columns，list（logreg.coef_[0]）））
feature_dict
feature_df=pd.DataFrame（feature_dict，index=[0]）
feature_df.T.plot（kind=“hist”，legend=false，title=“Feature Importance”）
feature_df=pd.DataFrame（feature_dict，index=[0]）
feature_df.T.plot（kind=“bar”，legend=False，title=“Feature Importance ”）
import pickle# 现在借助泡菜模型，我们将保存训练的模型
saved_model = pickle.dumps（logreg）# 加载腌制模型
logreg_from_pickle = pickle.loads（saved_model）# 现在我们将加载模型
logreg_from_pickle.predict（X_test）

7 结果与分析

在这一分析中，我们从三种不同的计算中获得了结果：朴素贝叶斯、随机森林、简单逻辑，这些都是规范计算。我们检查了结果，得到了高达90%的后效，因此我们可以说这些模型对于这个数据集非常熟练。我们经过培训的信息收集率为63%。在这一点上，当我们准备好的时候，我们通过测试37%的信息得到了结果。此外，我们通过决策残端、线性回归模型和简单线性回归进行计算，确定了肾病的原因。血红蛋白是最基本的驱动因素，也是肾病的主要因素。
表2:CKD精度表

从结果分析可以看出，随机森林算法的准确率高达98.8858%。因此，我们的方法模型优于任何其他模型。利用这个模型，我们可以很容易地预测慢性肾脏疾病。这是一项可以帮助医学界进步我们的生物医学科学的发明。
从结果概述中，我们可以轻松确定最重大和非重大风险因素。在决策中stump和简单线性回归模型可以分析血红蛋白是最重要的危险因素。
从因子分析中，我们可以找出最显著的CKD无显著危险因素。来自分析报告我们可以发现血红蛋白是CKD最重要的危险因素，而高血压是CKD不太重要的危险因素。
通过对三种算法的比较分析，我们从随机森林中获得了最佳精度算法，它最适合我们的数据集。我们的方法模型比其他模型更好地发现CKD的显著和非显著风险因素。

8 今后的工作

在本文中，我们用大量的数据集。在未来，CKD的一个新的和前所未有的方面通过CKD风险揭示预防和控制预测，这将在诊断CKD中起到至关重要的作用我们的医学。医生将能够预测CKD通过观察结果。医学科学家将能够使用此数据集和观察结果在控制和预防CKD。通过这项研究，一种新的CKD控制中的地平线将在未来打开。随着生活质量的提高及人口老龄化，CKD患者逐年增多，心血管系统疾病作为其主要死因一直受学者们关注，CKD患者通常存在着PTH、血清镁、维生素D、FGF23的异常，这些非传统的心血管疾病相关因子并未受到足够重视，而其代谢变化通常带来严重的后果。近年来的许多研究也开始转向对CKD心血管事件的早期监测及干预性治疗，例如阿托伐他汀类通过ERK1/2通路对抗PTH引起的心肌细胞的肥大作用，他汀类药物也可以增加血清维生素D水平，这为人们今后预测及治疗CKD患者心血管疾病有着开拓性的意义。今后人们将对PTH、血清镁、维生素D、FGF23在人体内的水平进行系统性评估，并深入探究其作用的分子机制，以便对CKD患者进行个体化治疗。

9 结论

在本文中，我们预测了慢性肾病（CKD）并预测CKD的进展。风险因素预测在识别摆脱慢性肾病（CKD）的风险。使用预测风险因素以获得最佳结果的算法有通过对每个策略进行分类来实现。我们正在随机森林算法精度高（98.8858%）。在里面在这种情况下，慢性肾病（CKD）将特别通过识别或列出有效的预测结果面临风险的人。通过以下方式治疗患者尤其有效列出有风险的人的得分，以预测结果。然而有相当一部分人口面临着慢性肾病（CKD）仍然可以被识别或使用CKD风险因素在社区内确定无需入院就可以预测住院护理。

参 考 文 献

[1] Ramya, S., & Radha, N. (2016). Diagnosis of chronic kidney disease usingmachine learning algorithms. International Journal of Innovative Research inComputer and Communication Engineering, 4(1), 812-820…J. ClerkMaxwell,A Treatise on Electricity and Magnetism, 3rd ed., vol. 2. Oxford: Clarendon,1892, pp.68–73.
[2] Purushottam Sharma, Kanak Saxena and Richa Sharma,"Heart DiseasePrediction System Evaluation Using C4.5 Rules and Partial Tree,"in Computational Intelligence in Data Mining-Volume 2, ed: Springer, pp.285-294,2016.
[3] Ritika Chadha, Shubhankar Mayank, Anurag Vardhan and TribikramPradhan,"Application of Data Mining Techniques on Heart Disease Prediction:A Survey,"in Emerging Research in Computing, Information, Communication and Applications, ed: Springer, pp.413-426,2016.
[4] Moloud Abdar, Mariam Zomorodi-Moghadam, Resul Das and I-Hsien Ting,"Performance analysis of classification algorithms on early detection of liver disease,"Expert Systems with Applications, vol.67, pp.239-251,2017.
[5]K. Eroglu and T. Palabas,"The impact on the classification performanceof the combined use of different classification methods and differentensemble algorithms in chronic kidney disease detection,"2016 Na-tional Conference on Electrical, Electronics and Biomedical Engineering(ELECO), Bursa,2016, pp.512-516.
[6]N.Tazin,S.A.SababandM.T.Chowdhury,"Diagnos is of ChronicKidney Disease using effective classification and feature selection tech-nique,"2016 International Conference on Medical Engineering, Healthlnformatics and Technology (MediTec), Dhaka,2016, pp.1-6.doi:10.1109/MEDITEC.2016.7835365.
[7]R. Ani,G. Sasi,U.R. Sankar and O.S. Deepa,"Decision supportsystem for diagnosis and prediction of chronic renal failure using randomsubspace classification,"2016 International Conference on Advances inComputing, Communications and Informatics(ICACCI), Jaipur,2016, pp.1287-1292. doi:10.1109/ICACCl.2016.7732224.
[8] Arif-U]-Islam and S.H. Ripon,"Rule Induction and Prediction of Chronic Kidney Disease Using Boosting Classifiers, Ant-Miner and J48 Decision Tree,"2019 International Conference on Electrical, Computer and Communication Engineering(ECCE), Cox’ sBazar, Bangladesh,2019,pp.1-6,doi:10.1109/ECACE.2019.8679388.
[9]K. Anantha Padmanaban and G. Parthiban,“Applying Machine LearningTechniques for Predicting the Risk of Chronic Kidney Disease”, IndianJournal of Science and Technology, vol.9, no.29,2016.
[10] R.K. Chiu,R.Y. Chen, Shin-An Wang and Sheng-Jen Jian,"Intelligentsystems on the cloud for the early detection of chronic kidney disease,"2012 International Conference on Machine Learning and Cybernetics, Xian,2012, pp.1737-1742. doi:10.1109/ICMLC.2012.6359637
[11]M.S. Wibawa,I.M.D. Maysanjaya and I.M.A.W. Putra,"Boosted classifier and features selection for enhancing chronic kidney diseasediagnose,"2017 5th International Conference on Cyber and IT ServiceManagement(CITSM), Denpasar,2017, pp.1-6.
[12]D.P.a.K.K.M.P.N.M. Wickramasinghe,"Dietary prediction for patients with Chronic Kidney Disease(CKD) by considering blood potassium level using machine learning algorithms,"in 2017 IEEE Life Sciences Conference(LSC), Sydney, NSW, Australia,2017.
[13] Arora,M,& Sharma,E.A.(2016). Chronic Kidney Disease Detection by Analyzing Medical Datasets in Weka. International Journal of Computer Application,6(4),20-26.
[14]M.K.J. Ms. Astha Ameta,"Data Mining Techniques for the Predictionof Kidney Diseases and Treatment:A Review,"International Journal Of Engineering.
[15]A. Maurya,R. Wable,R. Shinde,S. John,R. Jadhav and R. Dakshayani,"Chronic Kidney Disease Prediction and Recommendation of Suitable Diet Plan by using Machine Learning,"2019 International Conference on Nascent Technologies in Engineering (ICNTE), Navi Mumbai, India,2019, pp.1-4, doi:10.1109/ICNTE44896.2019.8946029.
[16]J. Snegha,V. Tharani,S.D. Preetha,R. Charanya and S. Bhavani,"Chronic Kidney Disease Prediction Using Data Mining,"2020 InternationalConference on Emerging Trends in Information Technology and Engineering (ic-ETITE), Vellore, India,2020, pp.1-5, doi:10.1109/ic-ETITE47903.2020.482.
[17] Satukumati S.B., Satla S., Kogila R.(2019). Feature extraction techniques for chronic kidney disease identification, Ingenierie des SystemesdInformation, Vol.24, No.1, pp.95-99.https://doi. org/10.18280/isi.240114.
[18]A.J. Aljaaf et al,"Early Prediction of Chronic Kidney Disease UsingMachine Learning Supported by Predictive Analytics,"2018 IEEE Congress on Evolutionary Computation(CEC), Rio de Janeiro,2018, pp.1-9, doi:10.1109/CEC.2018.8477876.
[19] Siddheswar Tekale, Pranjal Shingavi, Sukanya Wandhekar, Ankit Chatorikar,"Prediction of Chronic Kidney Disease Using Machine Learning Algorithm"Intenational Journal of Advanced Research in Computer and Communication Engineering. Vol-7, issue-10,2018.
[20]S. Pitchumani Angayarkanni."Predictive Analysis of Chronic Kidney Disease Using Machine Learning Algorithm"International Journal of Recent Technology and Engineering(IJRTE). ISSN:2277-3878, vol-8, issue-2,2019.
[21] Deepika B, Rao VKR, Rampure DN, Prajwal P, Gowda DG, et al (2020)Early Prediction of Chronic Kidney Disease by using Machine Learning Techniques. Am J Comput Sci Eng Surv Vol.8 No.2:7.
[22] Marwa Almasoud, Tomas E Ward."Detection of Chronic Kidney Disease using Machine Learning Algorithms with Least Number o Predictors."International Journal o Advanced Science and Applications
(JACSA), vol.10, No.8,2019.
欢迎大家加我微信交流讨论（请备注csdn上添加）

基于机器学习算法的慢性肾病危险因素预测相关推荐

1. 期末作业——基于机器学习算法的LOL比赛预测（求高分，拜托拜托）

   前言:2018年5月2日,各大高校男生宿舍不约而同的爆发出尖叫和呼喊声.难道是"单身少年们"集体受到刺激,而引发的集体抗议吗?在这一切的背后究竟隐藏着怎样的秘密? 其实真相是: 一 ...

2. R语言基于机器学习算法进行特征筛选（Feature Selection）

   R语言基于机器学习算法进行特征筛选(Feature Selection) 对一个学习任务来说,给定属性集,有些属性很有用,另一些则可能没什么用.这里的属性即称为"特征"(featu ...

3. 基于机器学习的天气数据分析与预测系统

   温馨提示:文末有 CSDN 平台官方提供的学长 Wechat / QQ 名片 :) 1. 项目简介 本项目利用网络爬虫技术从某天气预报网站抓取某一城市的历史天气数据,构建天气数据分析与预测系统,实现对 ...

4. 程序设计-在校整理-07 基于机器学习算法的DGA域名识别（NB、XGboost、MLP初探）

   [在校整理-07 基于机器学习算法的DGA域名识别(NB.XGboost.MLP初探)](注:仅供参考学习使用) 一.课题内容和要求 二.理论基础 2.1 DGA域名生成算法 2.2 DGA算法原理 ...

5. 论文精读——基于机器学习的越南生活固体废弃物预测

   论文精读--基于机器学习的越南生活固体废弃物预测 Abstract 1. Introduction(partly) 2. ML - based models and applications for ...

6. [当人工智能遇上安全] 5.基于机器学习算法的主机恶意代码识别研究

   您或许知道,作者后续分享网络安全的文章会越来越少.但如果您想学习人工智能和安全结合的应用,您就有福利了,作者将重新打造一个<当人工智能遇上安全>系列博客,详细介绍人工智能与安全相关的论文. ...

7. [量化学院]价值选股策略——基于机器学习算法

   文献回顾 回顾价值策略 价值策略通俗地讲就是买入便宜股票,卖出昂贵股票,思想非常简单和直观.但是实际操作上这非常困难,因为我们没办法直接观察股票的真实价值.投资者可以从不同的视角采用不同的指标来估计股 ...

8. 基于机器学习的锂离子电池健康状态预测：进展与展望

   (本文为文献解读,仅为个人理解,如有错误,请指正) 一.SOH的预测方法 1.直接校准法: 优点:计算复杂度低.简单易于实现 缺点:对实验条件要求严格.现实难以实现 2.基于滤波器的方法: 优点:良好 ...

9. 基于机器学习的深度语义分析的预测新技术收敛性的方法

   文章: Machine-learning-based deep semantic analysis approach for forecasting new technology convergenc ...

最新文章

1. Android APP性能优化
2. 资源 | 《统计学习方法》的Python 3.6复现，实测可用
3. APPLE框架之高效便捷的Repository解决方案
4. TabStrip within ASP.NET 2.0 in C# with Design Time Support
5. 记一次对某企业的渗透测试实战
6. 计算机重复启动问题原因及修复
7. 怎么把网页源码家入hexo博客_一款被大厂选用的 Hexo 博客主题
8. iOS之深入解析Runtime的Method-Swizzling方法交换的妙用和底层原理
9. jQuery教程10-表单元素选择器
10. vuejs解析url地址
11. ASP.NET MVC 之 View 测试
12. XML——XML的那些事
13. nafxcw.lib与LIBCMT.LIB链接冲突
14. 中保车服灾备云，为保险公司“上保险”
15. IDEA整合SSM框架 applicationcontext in module file is included in 5 contexts
16. 计算机绘图cad期末考试试题,机械CAD/CAM期末考试复习资料[机械CAD/CAM]
17. VS2015社区版登录账号后仍然无法使用解决方案
18. 常用的字符编码：ASCII、Unicode、UTF-8
19. 乒乓球十一分制比赛规则_乒乓球比赛规则完整版
20. 3月4日作业总结，成绩

热门文章

1. 等高布局、圣杯布局、双飞翼布局
2. 浅聊JavaScript中的Hoisting(变量提升)
3. 从dreamweaver转入Chrome Dev Tools 开发html css静态页面
4. 离散型随机变量及其分布律
5. Java语法——String
6. Pandas 常用函数 数据整理与清洗
7. 124-Python_百钱买百鸡:一只公鸡5 元钱,一只母鸡 3 元钱三只小鸡1元钱现在要用 100 元钱买 100 只鸡,问公鸡、母鸡、小鸡各多少只?请利用列表推导式解决该问题。
8. cordova常用命令及插件
9. 百度定位官方Demo
10. runtime——Class——create