基于LightGBM算法的心脏病诊断开题报告

1. 研究目的与意义（文献综述）

1.1研究背景和意义

分类算法是数据挖掘的重要分支，可用于提取、描述重要数据类的模型或者预测未来的数据趋势。通过分类和预测，能够对各行各业提供良好的决策支持。决策树算法是分类算法中常见的一种方法，我们可以使用决策树算法从给定训练数据集学得一个模型用于对新示例进行分类。利用决策树进行分析，可以找到一些具有商业价值的潜在的规则信息。提升树（boosting）是一族可将弱学习器提升为强学习器的算法，最终结果由若干个基学习器进行加权结合得出，从而获得更好的性能。

梯度提升决策树(gradient boosting decision tree, gbdt)是一种应用广泛的机器学习算法，具有效率高、精度高、可解释性强等优点。lightgbm算法是由梯度提升决策树改进而来的一种机器学习算法，在特征维度高，数据规模大时，lightgbm可以取得更好的效率。通过在多个公共数据集上的实验表明，lightgbm可以将传统的梯度提升决策树的训练速度提升20倍以上，而且可以达到几乎相同的精度。

2. 研究的基本内容与方案

2.1基本内容

（1）学习理解机器学习相关概念，重点理解学习决策树和梯度提升决策树的相关基础知识。

（2）深入理解lightgbm算法，查阅想关文献了解该算法的原理，思想以及代码实现。

3. 研究计划与安排

（1）2020/1/13—2020/2/28：确定选题，查阅文献，外文翻译和撰写开题报告。

（2）2020/3/1—2020/4/30：算法设计与实现、模型训练、模型测试与实验分析。

（3）2020/5/1—2020/5/25：撰写及修改毕业论文。

4. 参考文献（12篇以上）

[1] ke, guolin, qi meng, thomas finley, taifeng wang, wei chen, weidong ma, qiwei ye, and tie-yan liu. "lightgbm: a highly efficient gradient boosting decision tree." in advances in neural information processing systems, pp. 3146-3154. 2017.

[2] 埃里克·马瑟斯（eric matthes）著, 袁国忠译. python编程从入门到实践[m]，人民邮电出版社，2016.7.