评价分类算法的分类效果，主要看分类算法的识别率、误识率和运行时间。好的分类算法应该具有高识别率、低误识率和较短的运行时间。将文中的方法、决策树分类算法和支持向量机算法用于诊断心脏病和乳腺癌，表1为这几种分类方法应用于心脏病数据集的分类效果。表2为这几种分类方法应用于乳腺癌数据集的分类效果。由表1和表2可以看出，与传统的决策树、支持向量机分类算法相比较，本文提出的方法具有较高的识别率和较低的误识率，运行时间也较短。
本文提出的方法先采用有监督的LLE算法对医学数据集进行了特征提取，保持了同类数据之间的相似性，拉大了异类数据之间的差异性，因此文中的方法的识别率较高，误识率较低。
本文提出的方法采用先降维后分类的方式，支持向量机算法分类的只是降维后的低维数据，与传统的分类算法相比，时间复杂度较低，运行时间较短。
4 结束语
提出了一种先降维后分类的方法，采用有监督的LLE算法对高维医学数据进行特征提取，通过支持向量机算法对降维后的数据进行分类。实验结果表明，与传统的分类算法相比较，文中提出的方法识别率较高，误识率较低，运行时间较短。但本文提出的算法主要针对的是二类医学数据集的分类，对更多类别的医学数据集的分类问题还需要考虑到多类的支持向量机算法，还需要进一步研究。
参考文献（References）：
[1] 韦艳艳，李陶深，张超群.集成分类器组合算法及其在医学诊断中的应用[J].广西大学学报（自然科学版），2013.38（5）：1152-1156
[2] OZA， N C， TUMER.K， Classifier ensembles：Select real-world applications[J].Information Fusion，2008.9（1）：4-20
[3] 閻威武，邵惠鹤.支持向量机分类器在医学诊断中的应用研究[J].计算机仿真，2003.20（2）：69-70
[4] 黄锦静，陈岱，李梦天.基于粗糙集的决策树在医疗诊断中的应用[J].计算机技术与发展，2017.27（12）： 148-152
[5] 康辉英，李明亮.基于降维BP神经网络的高维数据分类研究[J].计算机工程与应用，2013.49（20）：183-187
[6] 吴晓婷，闫德勒.数据降维方法分析与研究[J].计算机应用研究，2009.26（8）：2833-2835
[7] S T Roweis L K Saul Nonlinear dimensionality reduction by locally linear embedding[J].Science 2000.290：2323-2326
[8] 马瑞.基于局部线性嵌入（LLE）非线性降维的多流形学习[J].清华大学学报（自然科学版），2009.48（4）：582-585
[9] 张少龙，巩知乐，廖海斌.融合LLE和ISOMAP的非线性降维方法[J].计算机应用研究，2014.31（1）：277-280
[10] 胡鹏.基于流形学习的数据降维技术研究[D].长沙理工大学，2011.
[11] BELHUMEUR P N， HESPANHA J P， KRIEGMAN D：Recognition using class specific linear projection[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，1997.19（7）： 711-720
[12] 郭海凤，孙周宝.改进的LLE算法在图像分类中的应用[J].计算机应用于软件，2014.31（12）：256-258
[13] 张蕾.基于有监督流形降维的自动化医学诊断[D].扬州大学，2015.
[14] 汪海燕，黎建辉，杨风雷.支持向量机理论及算法研究综述[J].计算机应用研究，2014.31（5）：1282-1286
[15] 祝曙光，钱丽艳，樊卫兵等.非线性支持向量机若干关键问题研究[J].计算机工程与科学，2010.32（5）： 41-44
[16] 吕世聘，王秀坤，孙岩等.改进的支持向量机特征选择算法[J].计算机工程，2009.35（1）：171-172
[17] 王东，史晓霞，尹交英.不同核函数的支持向量机用于空调负荷预测的对比研究[J].电工技术学报，2015.30（1）：531-535
