典型文献
基于特征选择和XGBoost优化的术中低体温预测
文献摘要：
针对全麻手术患者术中低体温发生率高、影响因素复杂的问题,提出了一种基于特征选择和XGBoost优化的术中低体温预测模型,以更好辅助医生对全麻手术患者的临床诊断.首先,利用随机森林(Random forest,RF)在处理高维数据集上的优势,通过RF的袋外估计法进行特征选择.然后,以极端梯度提升(XGBoost)为基础,利用基于精英保留策略的遗传算法,即EGA算法优化XGBoost超参数.最后,根据最优参数训练预测模型,并用于术中低体温预测.该模型组合利用3种算法优点,提升模型泛化能力和预测精度.实验结果表明:本文所提模型与逻辑回归、支持向量机等7种机器学习预测模型相比,预测准确率、精确度、召回率、AUC均有优势;与现有其他预测模型相比均有提升.
文献关键词：
术中低体温预测;特征选择;极端梯度提升;遗传算法
中图分类号：
作者姓名：
曹立源;范勤勤;黄敬英
作者机构：
上海海事大学物流研究中心,上海 201306;浙江大学医学院附属邵逸夫医院麻醉恢复室,杭州 310020
文献出处：
引用格式：
[1]曹立源;范勤勤;黄敬英-.基于特征选择和XGBoost优化的术中低体温预测)[J].数据采集与处理,2022(01):134-146
A类：
术中低体温预测
B类：
特征选择,XGBoost,全麻手术,手术患者,低体温发生率,低体温预测模型,Random,forest,RF,高维数据,极端梯度提升,精英保留策略,EGA,算法优化,超参数,最优参数,模型组合,模型泛化,泛化能力,逻辑回归,机器学习预测,预测准确率,召回率
AB值：
0.275447
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
