论文部分内容阅读
目的 评价支持向量机(SVM)、随机森林、极端梯度提升(XGBoost)和自适应提升(Adaboost)4种机器学习模型对缺血性脑卒中出院1年后死亡结局的预测效果.方法 收集2007年9月-2008年8月中国国家卒中登记项目(CNSR)第1期数据库中12 418例缺血性卒中患者资料,通过3次不同分组重复训练模型,采用python 3.7进行SVM、随机森林、XGBoost和Adaboost4种机器学习模型的训练及验证,并应用SAS 9.4进行logistic回归分析,通过死亡结局的F1-score、受试者工作特征曲线下面积(AUC)和准确率等指标比较各模型对缺血性脑卒中出院1年后死亡结局的预测效果.结果 4种机器学习模型及logistic回归模型对缺血性脑卒中出院1年后死亡结局预测效果按准确率排列从高到低依次为XGBoost[(88.55±0.18)％]、随机森林[(84.02±0.53)％]、Adaboost[(82.58±0.17)％]、SVM[(80.91±0.28)％]和[logistic(77.03±0.37)％],按死亡结局的F1-score排列从高到低依次为XGBoost[(50.14±0.43)％]、随机森林[(49.40±1.00)％]、Adaboost[(48.72±0.63)％]、SVM[(46.42±0.45)％]和logistic[(44.81±0.50)％],按AUC排列从高到低依次为随机森林[(81.68±0.42)％]、logistic[(81.39±0.66)％]、XGBoost[(81.24±0.44)％]、Adaboost[(81.20±0.41)％]和SVM[(79.71±0.37)％].结论 SVM、随机森林、XGBoost和Adaboost4种机器学习模型预测效果均表现良好且模型稳定,在准确率和F 1-score上均优于传统logistic回归模型;在AUC上SVM模型最低,其余各模型差别不大.