我了解您有疾病的关键字和给予该患者的药物。考虑到问题的质量，我真诚地建议你开始不做任何机器学习，只做一些基本的统计。

如果您想查看前 10 种最佳药物bradicardia，可能最好的方法是计算频率。通过这种方式，您应该能够找到最常用的治疗药物bradicardia

给定症状列表，找到以前提供的药物并关闭过去提供的药物。就像一个查询一样，如果一个人表现出与您的新患者相同的症状，如果您发现过去的查询具有相同的症状，您可能想要推荐相同的症状。然后为您的查询的下一个关闭查询排名。

这将没有 ML。使用 ML，您需要对数据集进行适当的清理，并构建排名系统。首先，我将向您推荐逐点排名系统。

我仍然相信您应该先尝试不使用 ML。

您应该以不同的方式准备训练数据。通过在单独的行中展开关键字，您将丢失有关疾病/药物症状相关性的信息。

例如：恶心+失眠的患者 -> 睡眠障碍。而恶心+腹泻的患者->食物中毒。

给定您的数据集，您必须对关键字进行一次热编码并将它们用作特征来训练您的模型。

然后给出一个新的患者信息：

您将其编码为：

并使用您的模型进行预测，与以前一样。

p_probability = model.predict_proba([[t]])
best_n = np.argsort(p_probability, axis=1)[:,-10:] 

通过这种方法：

1. 您可以在模型中输入症状列表
2. 您将获得每个预测的前 10 个结果

我想这是一个特殊的 NLP 问题，你基本上处理“翻译”成。因此，您可以查看“sequence-to-sequence”学习（神经翻译模型），在其中您尝试将一个关键字或一组关键字“翻译”成一种药物：$x$$y$

bradycardia->NSAIDS Poisoning

Keras/Tensorflow 有许多有用的资源，例如：

• 十分钟介绍 Keras 中的序列到序列学习
• 字符级循环序列到序列模型
• TensorFlow Addons Networks：具有注意机制的序列到序列 NMT
• 自然语言处理（这里有一些 STS 示例）

由于您提到基于 5 种症状，您将获得 50 种疾病预测。

根据您的用例，在通过应用您的 ML 算法（朴素贝叶斯/决策树）获得疾病预测后，症状可以与许多疾病相匹配。

无论输入多少症状，要始终获得前 10 个预测，您可以使用np.uniqueget unique frequency counts 并使用np.argsort按频率计数排序并获得前 10 个。

根据您的代码

p_probability = model.predict_proba([[t]])
best_n = np.argsort(p_probability, axis=1)[:,-10:]   

假设p_probability（对于 5 个症状给出 50 个预测）是一个包含 50 个值的数组，格式如下

     array([‘NSAIDS Poisoning’,’Chronic stavudine and didanosine use’……, ‘NSAIDS Poisoning’, ‘NSAIDS Poisoning’,’Chronic abacavir use’])

考虑到价值“慢性阿巴卡韦使用”是第 50 个预测

#disease_predictions is value of all disease predictions from p_probability 
disease_prediction_list = p_probability

#when return_counts is true, returns 2D array all unique value and it’s frequency count
unique_value, freq_count = np.unique(disease_prediction_list, return_counts=True)


#sorted index based on frequency count
freq_count_sort_index = np.argsort(-freq_count)


#predictions are now sorted based on frequency count 
frequency_sorted_prediction= unique_value[freq_count_sort_index]

#Top 10 predictions sorted based on frequency counts
top_10_prediction= frequency_sorted_prediction[-10:]