典型文献
基于集成学习的冠心病风险预测模型研究
文献摘要：
近年来,冠心病患者人数不断增加,而集成学习具有良好的冠心病风险预测能力,可降低患者就医成本,提高冠心病筛查的效率.本文利用Kaggle平台公开的冠心病数据集,首先对数据集进行了预处理和特征指标筛选,并利用SMOTE算法对数据进行类别平衡,最终得到7010条数据;选取随机森林、XGBoost、LightGBM 3个集成学习算法,构建相应的冠心病风险预测模型,并利用贝叶斯优化算法对模型进行超参数调优,同时将数据以7:3的比例分为训练集与测试集进行模型训练与预测;最后,通过准确率、召回率、AUC等指标对3种模型的性能进行比较.结果显示3种集成学习算法预测模型性能均较好,其中LightGBM算法预测模型性能最为突出,验证了集成学习算法运用在冠心病风险预测方面的可行性.
文献关键词：
冠心病;集成学习;贝叶斯优化;SMOTE;风险预测模型
中图分类号：
作者姓名：
苏文星;张振一;郑琰莉;唐琳;宋元涛
作者机构：
中国科学院大学 工程与科学学院,北京100049;天津泰达普华医院,天津300457;西安理工大学 经济与管理学院,西安710045;中国科学院大学 应急管理科学与工程学院,北京100049
文献出处：
引用格式：
[1]苏文星;张振一;郑琰莉;唐琳;宋元涛-.基于集成学习的冠心病风险预测模型研究)[J].智能计算机与应用,2022(07):8-13,19
A类：
B类：
风险预测模型,冠心病患者,预测能力,患者就医,就医成本,高冠,Kaggle,特征指标,指标筛选,SMOTE,条数据,XGBoost,LightGBM,集成学习算法,贝叶斯优化算法,超参数调优,训练集,测试集,模型训练,召回率,算法预测,模型性能,算法运用
AB值：
0.305653
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。
