1、乳腺癌作為現代女性發(fā)病比例最高的癌癥，已經越來越受到社會的關注。然而由于乳腺病灶數據呈現高維度、多樣化的特點，造成傳統(tǒng)分類器性能下降，即出現了模式分類的維度災難問題。集成學習算法是模式識別和機器學習領域近來比較活躍的研究方向，它采用系統(tǒng)化的方法將多個分類器通過某種策略集成后對未知樣本進行判別。
　　 為了有效的利用豐富的乳腺數據信息并且克服維度災難問題，本文提出了基于動態(tài)特征子集選擇和基于EM算法的樸素貝葉斯(Na(i)ve B

2、ayesian)分類器相結合的集成算法(DSFS+EMNB)。該算法先后使用RSM(Random Subspace Method)、Bagging方法、投票集成方法、特征子集選擇方法(Filter方法和Wrapper方法)等，構造了一個動態(tài)特征子集集成分類器。基分類器采用基于EM算法的樸素貝葉斯分類器。通過對大量乳腺數據的實驗結果表明：與SVM算法以及其它傳統(tǒng)方法(EM-Na(i)veBayes(EMNB)，KNN，Boost C5，N