XGBoost对比神经网络和随机森林耦合因子分析预诊急性肝衰竭

发布时间：2022-12-11 07:50

　　急性肝衰竭（ALF）无发病前兆且发展迅速,及时准确的预诊有助于预防措施的提前介入.对比分析了三种智能预诊方法（XGBoost,神经网络和随机森林）与因子分析的耦合模型,分别简称为XGBoost耦合因子分析（XGBoost-FA）,神经网络耦合因子分析（ANN-FA）和随机森林耦合因子分析（RF-FA）.选取2018年Kaggle竞赛的Acute Liver Failure数据集作为算例,首先利用因子分析将特征变量从30个降到16个（贡献率为80.6%）,然后将8785条数据按照7:3的比例划分训练集和测试集,学习出的XGBoost-FA、ANN-FA和RF-FA预诊模型,在测试集上的（对数损失函数,训练时间）分别为:（0.6646636,14.8s）,（0.733198,12.7s）,（0.6721212,23.1s）.对比预诊的结果可知:XGBoost-FA的精确度最高,ANN-FA的速度最快. 

【文章页数】：12 页

【文章目录】：
1 前言
2 因子分析(FA)、XGBoost、神经网络(ANN)和随机森林(RF)的原理简介
    2.1 因子分析(FA)的基本原理
    2.2 XGBoost的基本原理
    2.3 神经网络(ANN)的基本原理
    2.4 随机森林(RF)的基本原理
3 本文的分析思路与框架
4 基于因子分析的急性肝衰竭数据的降维
    4.1 数据概述及预处理
    4.2 因子分析结果
5 耦合因子分析的XGBoost(XGBoost-FA)的学习与预诊
    5.1 XGBoost-FA预诊模型的学习
    5.1 XGBoost-FA预诊模型的效果检验
6 耦合因子分析的神经网络(ANN-FA)的学习与预诊
    6.1 ANN-FA预诊模型的学习
    6.2 ANN-FA预诊模型的效果检验
7 耦合因子分析的随机森林(RF-FA)的学习与预诊
    7.1 RF-FA预诊模型的学习
    7.2 RF-FA预诊模型的效果检验
8 XGBoost-FA、ANN-FA和RF-FA的预诊结果对比分析
9 结论与展望


【参考文献】：
期刊论文
[1]5种评分系统对慢加急性肝衰竭患者短期病死率的预测价值[J]. 张静,周新民.  临床肝胆病杂志. 2019(09)
[2]基于GAXgboost模型的糖尿病风险预测[J]. 张春富,王松,吴亚东,王勇,张红英.  计算机工程. 2020(03)
[3]基于主成分和GBDT对血糖值的预测[J]. 龚谊承,都承华,张艳娜,余力.  数学的实践与认识. 2019(14)
[4]肝衰竭诊治指南（2018年版）[J]. Liver Failure and Artificial Liver Group,Chinese Society of Infectious Diseases,Chinese Medical Association;Severe Liver Disease and Artificial Liver Group,Chinese Society of Hepatology,Chinese Medical Association;.  临床肝胆病杂志. 2019(01)
[5]慢加急性肝衰竭预后模型的研究进展[J]. 张东敬,周彬,侯金林.  临床肝胆病杂志. 2018(06)
[6]集对分析在人工智能中的应用与进展[J]. 蒋云良,赵克勤.  智能系统学报. 2019(01)
[7]四种基于MELD的评分系统对慢加急性乙型肝炎肝衰竭患者短期生存的预测价值分析[J]. 李磊,胡辉,郑晓玮,江守伟,沈强.  实用肝脏病杂志. 2018(03)
[8]四种评分系统对乙型肝炎相关慢加急性肝衰竭患者短期预后的评估价值[J]. 刘欢,宋立文,曹武奎,李菲.  临床肝胆病杂志. 2015(09)
[9]不同评分系统对乙肝相关慢加急性肝衰竭患者短期预后评估的比较[J]. 刘磊,王凤梅,阚志超,李岩,肖时湘,刘华,李莹.  实用医学杂志. 2014(04)



本文编号：3718405