典型文献
基于Bagging的阿尔茨海默病进程多分类预测研究
文献摘要：
目的 对阿尔茨海默病(Alzheimer′s disease,AD)进程[认知正常(cognitive normal,CN)、早期轻度认知障碍(early mild cognitive impairment,EMCI)、晚期轻度认知障碍(late mild cognitive impairment,LMCI)和AD]进行多分类预测,为制定个性化诊疗方案提供参考.方法 利用阿尔茨海默病神经影像学计划(Alzheimer′s disease neuroimaging initiative,ADNI)数据库中的527例个体的27个变量,进行特征选择筛选特征子集、SMOTE过采样处理类别不平衡后构建两个集成分类模型XGBoost和Bagging,并将分类性能与朴素贝叶斯和K-近邻进行比较.结果 使用经SMOTE过采样后构建的Bagging集成模型准确率最高(94.40％);Bagging对EMCI、LMCI和AD的类准确率较高,分别为100.00％、88.00％和87.00％,Bagging模型性能较优.结论 本文构建的AD进程多分类Bagging模型,不仅可实现直接多分类,而且有较高的准确率,可为临床AD的诊疗工作提供借鉴.
文献关键词：
阿尔茨海默病;引导聚集算法;多分类
中图分类号：
作者姓名：
张嘉嘉;易付良;杨慧;陈杜荣;秦瑶;崔靖;白文琳;韩红娟;葛晓燕;余红梅
作者机构：
山西医科大学公共卫生学院卫生统计教研室 030001;重大疾病风险评估山西省重点实验室
文献出处：
引用格式：
[1]张嘉嘉;易付良;杨慧;陈杜荣;秦瑶;崔靖;白文琳;韩红娟;葛晓燕;余红梅-.基于Bagging的阿尔茨海默病进程多分类预测研究)[J].中国卫生统计,2022(05):675-679,684
A类：
引导聚集算法
B类：
Bagging,阿尔茨海默病,多分类预测,预测研究,Alzheimer,disease,认知正常,cognitive,normal,CN,轻度认知障碍,early,mild,impairment,EMCI,late,LMCI,个性化诊疗方案,神经影像学,neuroimaging,initiative,ADNI,特征选择,特征子集,SMOTE,过采样,类别不平衡,集成分类,分类模型,XGBoost,分类性能,朴素贝叶斯,近邻,集成模型,模型准确率,模型性能
AB值：
0.359526
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。
