Clasificación Eficiente y Metodo de Mineria para Caracteristicas de Datos Grandes de Imagenes Médicas en Entornos de Atributos Complejos

En el proceso de minería de datos grandes de imágenes médicas en un entorno de atributos complejos, el efecto de clasificación de las características de datos es pobre, lo que afecta el rendimiento de una clasificación altamente eficiente y la minería de características de datos grandes. Se propone un método mejorado de clasificación de características de datos grandes y minería para la imagen médica de ranas híbridas. Sobre la base de la adquisición de nodos de datos, se obtienen algunos datos de nodos no transformados, y sobre esta base, se actualiza la matriz de observación. La teoría de la entropía de la información de Shannon se introduce en la extracción de características, la definición de probabilidad y la función de información de datos grandes de imágenes médicas. Al calcular la tasa de contribución acumulada de la información, se determina la dimensión característica de la extracción de datos grandes de imágenes médicas y el efecto de la extracción de datos se evalúa desde la perspectiva de la teoría de la información. Combinando la teoría con el análisis factorial, la tasa de contribución de información de datos mejorada se utiliza para determinar la tasa de extracción de grandes datos de imágenes médicas. El algoritmo de rana híbrida mejorado se usa para clasificar las características de datos grandes extraídas de las imágenes médicas, y el algoritmo de rana híbrida tradicional se describe y mejora, lo que supera el problema de que la clasificación de datos grandes tradicional es fácil de inicializar y caer en el extremo local Mejora el rendimiento de la clasificación de características de grandes datos de imágenes médicas. Los resultados experimentales muestran que este método puede mejorar efectivamente el rendimiento de la clasificación de características de datos grandes de imágenes médicas. Palabras clave: Entorno de Atributos Complejos, Características de Datos Grandes de Imágenes Médicas, Clasificación Eficiente, Minería de Datos. In the process of large data mining of medical images in complex attribute environment, the classification effect of data features is poor, which affects the performance of highly efficient classification and mining of large data features. An improved method of large data feature classification and mining for medical image of hybrid frog is proposed. On the basis of data node acquisition, some untransformed node data are obtained, and on this basis, the observation matrix is updated. Shannon's information entr