基于BP神经网络的疾病症状预测模型.pdf

使用机器学习进行疾病预测 这个机器学习项目用于根据用户给出的症状来预测疾病。它使用三种不同的机器学习算法进行预测。因此，输出是准确的。它使用tkinter作为GUI。

数据库采用的结构化分的很细，可以简单的从科室查、从部位查疾病以及症状。

从症状预测疾病 该项目探索使用机器学习算法来根据症状预测疾病。 探索的算法 在代码中探索了以下算法： 朴素贝叶斯 决策树 随机森林 梯度提升 数据集 源1 与main.py脚本一起使用的此问题的数据集是从此处下载的： https://www.kaggle.com/kaushil268/disease-prediction-using-machine-learning 该数据集共有133列，其中132例是患者经历的症状，以及该患者预后的最后一列。 源2 从此处下载用于Jupyter笔记本的此问题的数据集： https://impact.dbmi.columbia.edu/~friedma/Projects/DiseaseSymptomKB/index.html 该数据集包含3列： Disease | Count of Disease Occurrence | Symptom 您可以将整个表格从此处复制粘贴到excel工作表中，也可以使用Beautifulsoup将其刮下。 目录结构 |_ dataset/ |_ training_data.csv

狂龙症状性细菌性腹水快速筛查模型分析器是一款针对临床医生为快速筛查患者是否存在症状性细菌性腹水病情而设计，此款分析器经临床使用深受医生好评。在此，对提供筛查模型的朱龙川主任医师表示衷心的感谢! 更新说明 V3.0 1.新增模型简介及模型作者相关信息。 2.修复部分已知体验问题。

准确及时地分析任何与健康相关的问题对于疾病的预防和治疗非常重要。 在严重疾病的情况下，传统的诊断方法可能是不够的。 开发基于机器学习 (ML) 算法的医学诊断系统来预测任何疾病，可以帮助实现比传统方法更准确的诊断。 我们设计了一个使用多种 ML 算法的疾病预测系统。 使用的数据集有 230 多种疾病需要处理。 基于个体的症状、年龄和性别，诊断系统给出个体可能患有的疾病的输出。 与其他算法相比，加权 KNN 算法给出了最好的结果。 加权 KNN 算法的预测准确率为 93.5%。 我们的诊断模型可以作为医生对疾病进行早期诊断，确保及时治疗，挽救生命。

狂龙症状性细菌性腹水快速筛查模型分析器是一款针对临床医生为快速筛查患者是否存在症状性细菌性腹水病情而设计，此款分析器经临床使用深受医生好评。在此，对提供筛查模型的朱龙川主任医师表示衷心的感谢！ V2.0更新说明 1.新增保留小数点后几位。[ 根据用户的需求,可自定义小数点后几位参数。（注意：编辑框输入0表示此功能不启用）] 2.修复部分已知体验问题。

疾病类别包含：腹部症状自测、皮肤症状自测、全身症状自测、四肢症状自测、头颈部症状自测五大类；完整详细的伴随症状能够为任何人提供疾病自测的功能。

Sheet1下面是一些关于人可能会有的问题的陈述。请你仔细地阅读每个条目，然后根据最近一星期之内这些情况对你影响的实际感觉，在最符合的一项上划“√”。答案没有对、错

将3千余项检验的介绍、正常值、临床意义、注意事项、检查过程、相关疾病、相关症状等分门别类，归纳总结，为您的临床工作提供精确的数据和准确的参考。