收集的大肠癌数据总共338例，其中150例收集于2007年广东省临床病案，另外188例来自文献数据，分别来源于中国知网全文数据库(CNKI)、维普全文数据库(VIP)及万方数据知识服务平台，检索年限为1990～2015年，关键词为“大肠癌”“病机”“验案”等。最终筛选出符合大肠癌病理学纳入排除标准的数据有218例，其中虚症143例(包含的证型有脾失健运、脾虚夹瘀、气血亏虚、脾肾阳虚和肝脾不调)，实证75例(包含的证型有湿热内蕴、气滞血瘀、淤毒内阻)，构成了不平衡数据集。表1所列为两组数据集描述，不平衡率为少数类样本量与多数类样本量之比，不平衡率越大，表明数据集整体不平衡度越高。属性为表示数据集的特征集，其中Breast cancer数据集包含的属性特征有患者样本的年龄、乳腺肿瘤大小、位置、是否复发等10个；Colorectal cancer数据集包含里急后重、大便秘结、脉沉、舌红、舌苔厚等28项症状属性特征。

    1.2数据预处理 本研究结合临床数据与文献数据，筛选出的症状输入一共有28项，包含里急后重、大便秘结、脉沉、舌红、舌苔厚等中医体征变化，并将收集到的原始数据在EXCEL表中进性“0”“1”初步量化 ......