(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111068515.1 (22)申请日 2021.09.13 (71)申请人 江苏海洋大学 地址 222000 江苏省连云港市海州区苍梧 路59号 (72)发明人 孙佳龙　颜永豪　赵思聪　吉方正　 朱国豪　王晓　田慧娟　于浩　 夏天钰　王秋雅　骆剑波　袁淑婷　 蔡靖慧　 (74)专利代理 机构 连云港权策知识产权代理事 务所(特殊普通 合伙) 3239 9 代理人 何文豪 (51)Int.Cl. G06K 9/62(2022.01) G06F 30/27(2020.01)G06F 16/29(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/04(2012.01) G06Q 50/26(2012.01) G06F 111/10(2020.01) (54)发明名称 一种基于relieff特征选择和BP_Adaboost 算法的经济 状况不佳家 庭预测分类模型 (57)摘要 本发明公开了一种基于relieff特征选 择和 BP_Adaboo st算法的经济状 况不佳家庭预测分类 模型， 包括如下步骤： 对 数据集进行预处理、 对数 据集进行划分、 将训练集的数据代入到相应的算 法中建立数学模 型、 把测试集中的数据通过建立 好的数据模 型进行分类预测、 将数据模型预测的 结果与真实标签相比较， 根据模 型评估方法及原 则对各个模 型进行评估； 本发明为工作者提供一 个可视化的展示平台， 让工作者清晰的了解到各 个村镇的经济状况不佳家庭的教育水平、 务工情 况、 劳动力水平、 健康状况、 家庭住房情况等信 息， 通过及时走访调查来遏制情况的恶化， 系统 结合GIS展示出到地图上， 并与图表信息联动， 可 以清晰的了解到整体局势， 避免大规模经济状况 不佳反复的情况发生。 权利要求书2页 说明书8页 附图4页 CN 114429167 A 2022.05.03 CN 114429167 A 1.一种基于relieff特征选择和BP_Adaboost算法的经济状况不佳家庭预测分类模型， 其特征在于， 包括如下步骤： S1： 对数据集进行 预处理： (1)特征选取： 选取家庭人口、 教育情况、 健康状况、 劳动力、 工作情况、 年均收入、 人均 住房以及人均耕地的特 征属性作为机器学习数据集的特 征向量使用； (2)过滤异常： 针对上述数据集中存在的一些离群点， 找出并踢除在采集过程中出现的 缺失、 异常问题的数据； (3)特征编码： 对统计数据特征为文本的数据进行标签编码， 将其转换为机器学习训练 使用的特 征向量； S2： 对数据集进行划分： 将S1数据集中连续的两个数据按照各占百分之五十分别放入 训练集和 测试集； S3： 将训练集的数据代入到相应的算法中建立数 学模型： (1)数据选择和网络初始化： 数据集中选出m组数据来作为分类器的训练数据， 对测试 数据集的分布权值进行初始化， 将权值设置为Dt(i)＝1/m， 根据数据集 的输入及输出维度 定下网络的结构， 完成以上步骤后， 对BP神经网络 权值和阈值进行初始化； (2)弱分类器预测： 在模型建立的过程中需要通过BP神经网络训练出数个弱分类器， 假 设第t个弱分类 器的预测序列为g(t)， 其 误差为et， 计算公式如式(1.1)所示： e＝∑iD(i) i＝1， 2， ...， m(g(t)≠y)     (1.1) (3)计算预测序列权 重： 权重αt可以通过 预测结果的误差et通过式(1.2)求得： (4)测试数据权重调整： 由第(3)步中求得的权重来对训练样本集的权重进行更新， 更 新的公式如式(1.3)所示： (5)强分类函数： 当分类器经过一定轮数的训练之后会得到若干组分类器， 设T轮T组的 分类函数为f(gt， at)， 将所有的弱分类函数进行组合后可得到强分类函数h(x)， 公式如式 (1.4)所示： (6)更新样本权重： 设R为ReliefF算法从经济状况不佳家庭数据训练集中随机选择出 的样本， ReliefF算法会从与 R类型相同的样本之中再找出其最近邻的样本H， 再从与R是不 同类型的样本中找出其最近邻的样本M， 更新每个样本的权重， 设diff(A， R1， R2)为在样本 R2特征A上的差， 计算方式如式(1.5)所示： 那么更新权 重W(A)的计算公式为式(1.6)所示：权　利　要　求　书 1/2 页 2 CN 114429167 A 2其中， 在式(1.1)中， g(t)表示预测分类结果， y表示期望分类结果， 在式(1.3)中Bt表示 归一化因子， 其作用是保证权重比例不变的前提下， 分布权值的和 为1， 式(1.6)中Mj(C)表 示类C中的第j个最邻近样本； S4： 把测试集中的数据通过建立 好的数据模型进行分类预测： S5： 将数据模型预测的结果与真实标签相比较， 根据模型评估方法及原则对各个模型 进行评估。 2.根据权利要求1所述的基于relieff特征选择和BP_Adaboost算法的经济状况不佳家 庭预测分类模型， 其特征在于： 基于relieff特征选择和BP_Adaboost算法的经济状况不佳 家庭预测分类模型设计脱离经济状况不佳状态的监测系统。 3.根据权利要求2所述的基于relieff特征选择和BP_Adaboost算法的经济状况不佳家 庭预测分类模型， 其特征在于： 所述脱离经济状况不佳状态的监测系统采用三层架构， 包括 表现层(UI)、 应用层(BL L)、 数据访问层。 4.根据权利要求3所述的基于relieff特征选择和BP_Adaboost算法的经济状况不佳家 庭预测分类模型， 其特征在于： 所述脱离经济状况不佳状态的监测系统功能模块包括数据 管理、 脱离经济状况不佳状态的策略、 分析 预测。权　利　要　求　书 2/2 页 3 CN 114429167 A 3