1.一种基于规则分类器的增量医疗数据的分类方法，其特征在于，应用于存储有医疗数据集的数据库，包括：对医疗数据集预设多个类别，并确定所述医疗数据集中每个样本具备的多个属性和每个所述样本初始所隶属的类别；在全部所述类别中确定对每个所述类别执行分类时的分类顺序；在每次针对单个所述类别的分类中，对于每个所述属性，根据单独使用该属性进行分类时每个所述类别中所述样本的数量计算关于该属性的属性可靠性，根据全部所述属性可靠性得到可靠性排序；根据所述可靠性排序从全部所述属性中选择预定数量的所述属性作为初始特征子集，利用所述初始特征子集构建所述规则分类器，并利用所述规则分类器对全部所述样本进行分类，得到关于所述初始特征子集的分类准确率；根据所述可靠性排序和所述分类准确率调整所述初始特征子集中的所述属性，得到目标特征子集；根据所述分类顺序，进行全部所述类别的分类，得到每次分类操作的所述目标特征子集和所述规则分类器；集成全部所述目标特征子集和所述规则分类器，用于对所述医疗数据集中的新样本进行分类。
2.根据权利要求1所述的方法，其特征在于，所述在每次针对单个所述类别的分类中，对于每个所述属性，根据单独使用该属性进行分类时每个所述类别中所述样本的数量计算关于该属性的属性可靠性，根据全部所述属性可靠性得到可靠性排序，包括：在每次针对单个所述类别的分类中，执行关于该类别，和非该类别的二分类操作；对于每个所述属性，在单独通过该属性对全部所述样本进行分类时，在每个所述类别中确定通过该属性判定属于该类别的所述样本的判定数量；根据该属性的所述判定数量确定该属性的所述属性可靠性；根据每个所述属性各自的所述属性可靠性，将全部所述属性按照所述属性可靠性从高到底的顺序进行排列。
3.根据权利要求2所述的方法，其特征在于，所述利用所述初始特征子集构建所述规则分类器，包括：对于所述初始特征子集的每个所述属性，为该属性匹配多个参考值，并为每个所述参考值赋予对应的参考证据，为每个所述参考证据赋予对应的参考证据权重；对于所述初始特征子集的每个所述属性，根据该属性和该属性对应的所述参考值，构成在该属性与所述二分类操作中的两个所述类别之间的相似度分布，根据所述相似度分布构建该属性的参考证据矩阵；对于每个所述属性，根据在该属性上的所述相似度分布和所述参考证据矩阵，对该属性的所述参考证据进行加权，得到该属性的属性证据，并对该属性的所述参考证据的所述参考证据权重进行加权，得到该属性的属性证据权重，利用所述可靠性和所述属性证据权重对全部所述属性证据进行融合，得到所述规则分类器。
4.根据权利要求1至3任一项所述的方法，其特征在于，根据所述可靠性排序和所述分类准确率调整所述初始特征子集中的所述属性，得到目标特征子集，包括：在未加入所述初始特征子集的所述属性中，选择所述可靠性排序最靠前的一个所述属性，加入到所述初始特征子集；基于构建的所述规则分类器，利用所述初始特征子集中的全部所述属性对全部所述样本进行分类；基于分类结果，计算关于该所述初始特征子集的所述分类准确率；根据所述分类准确率的数值变化，调整所述初始特征子集中的所述属性；将调整后的所述初始特征子集作为所述目标特征子集。
5.根据权利要求4所述的方法，其特征在于，所述根据所述分类准确率的数值变化，调整所述初始特征子集中的所述属性，包括：响应于确定所述分类准确率增高，保留最后加入的所述属性，并继续在未加入所述初始特征子集的所述属性中，选择所述可靠性排序最靠前的一个所述属性，加入到所述初始特征子集；响应于确定所述分类准确率未增高，去掉最后加入的所述属性，并保持所述初始特征子集中包含的所述属性不变。
6.根据权利要求4所述的方法，其特征在于，所述选择所述可靠性排序最靠前的一个所述属性，加入到所述初始特征子集，包括：为全部所述属性设置可靠性阈值；选择所述可靠性排序最靠前的一个所述属性，判断该属性的所述属性可靠性是否大于所述可靠性阈值；响应于确定所述属性的属性可靠性大于等于可靠性阈值，将该属性加入到所述初始特征子集；响应于确定所述属性的属性可靠性小于可靠性阈值，不加入该属性至所述初始特征子集，并保持所述初始特征子集中包含的所述属性不变。
7.根据权利要求3所述的方法，其特征在于，所述根据该属性和该属性对应的所述参考值，构成在该属性与所述二分类操作中的两个所述类别之间的相似度分布，根据所述相似度分布构建该属性的参考证据矩阵，包括：在每个所述样本上，对于每个所述属性中的每个所述参考值，计算该参考值与相邻的另一所述参考值的第一差值；并计算该属性与相邻的另一所述参考值的第二差值；根据所述第一差值与所述第二差值的比例确定该属性与该参考值的匹配度；基于该属性，利用全部所述参考值的所述匹配度，和所述二分类操作中的两个所述类别构成所述相似度分布；对于每个所述类别，在全部所述样本中，计算属于同一所述属性和同一所述参考值的所述匹配度之和，作为所述相似度分布的第一参数；对于每个所述类别，在全部所述样本中，计算全部所述属性的所述第一参数之和，作为所述相似度分布的第二参数；利用所述第一参数、所述第二参数和所述匹配度构成所述相似度分布；在所述类别确定的情况下，对于每个所述属性所匹配的每个所述参考值，根据所述相似度分布中的所述第一参数和所述第二参数的比例，构造将该属性取值为该参考值的似然；通过对每个类别分别进行规范化的似然，得到每个所述参考证据判定所述样本时的参考证据信度；在所述属性确定的情况下，根据该属性的每个所述参考证据的所述参考证据信度和所述类别，构造所述参考证据矩阵。
8.根据权利要求7所述的方法，其特征在于，所述对该属性的所述参考证据进行加权，得到该属性的属性证据，并对该属性的所述参考证据的所述参考证据权重进行加权，得到该属性的属性证据权重，包括：基于所述参考证据矩阵的分布，响应于确定该属性取值在两个相邻的所述参考值之间，根据所述两个参考值的所述匹配度和所述参考证据信度，得到该属性的证据信度；根据所述两个参考值的所述匹配度和所述参考证据权重，得到该属性的所述属性证据权重；将所述属性证据权重、所述证据信度和所述可靠性结合，得到该属性的属性证据。
9.根据权利要求8所述的方法，其特征在于，所述利用所述可靠性和所述属性证据权重对全部所述属性证据进行融合，得到所述规则分类器，包括：对于每个所述属性证据，依据证据推理规则中的融合规则，利用所述可靠性因子和所述属性证据权重对该样本的全部属性证据进行融合，得到该属性证据将该样本判定为各个所述类别的判别信度；利用每个所述类别和该类别的所述判别信度构建所述规则分类器。
10.一种电子设备，包括存储器、处理器及存储在所述存储器上并可由所述处理器执行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至9中任意一项所述的方法。
