《表2 标签共现频次信息：基于动态采样和迁移学习的疾病预测模型》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于动态采样和迁移学习的疾病预测模型》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

在迁移学习中为了选取更好的预训练模型，本文统计了不同疾病标签共现频次，对于标签组合（ci，cj），采用算法1步骤（1.a）统计标签共现频次，得到了表2所示的标签共现频次信息.Single CNN首先将输入文本分词后得到词序列，利用skip-gram模型训练得到的词语高维连续稠密词向量，进而将词序列转化为词向量矩阵，从而得到输入文本的语义特征表示，在卷积、池化、全连接后进行疾病的分类预测.本文用于对比的基于传统机器学习的模型有:逻辑回归（Logistic Regression，LR）、支持向量机（Support Vector Machine，SVM）、决策树（Decision Tree，DT）、朴素贝叶斯模型（Naive Bayes，NB）、迭代提升欠采样模型（Under Sampling with Iteratively Boosting，USIB）[12].